Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure
원문 초록
Connected autonomous vehicles (CAVs) promise to enhance safety, efficiency, and sustainability in urban transportation. However, this is contingent upon a CAV correctly predicting the motion of surrounding agents and planning its own motion safely. Doing so is challenging in complex urban environments due to frequent occlusions and interactions among many agents. One solution is to leverage smart infrastructure to augment a CAV's situational awareness; the present work leverages a recently proposed "Self-Supervised Traffic Advisor" (SSTA) framework of smart sensors that teach themselves to generate and broadcast useful video predictions of road users. In this work, SSTA predictions are modified to predict future occupancy instead of raw video, which reduces the data footprint of broadcast predictions. The resulting predictions are used within a planning framework, demonstrating that this design can effectively aid CAV motion planning. A variety of numerical experiments study the key factors that make SSTA outputs useful for practical CAV planning in crowded urban environments.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
RefAV: Towards Planning-Centric Scenario Mining
폐루프 로봇 반응형 계획을 위한 실시간 모델 체킹
Real-Time Model Checking for Closed-Loop Robot Reactive Planning
반응형 장애물 회피 방법은 종종 한 단계 앞만(즉, 현재 상태에 기반한 다음 행동만) 추론할 수 있기 때문에 에이전트가 국소 최솟값(local minima)에 갇히게 한다. 본 논문에서는 자율 로봇에서 반응형 다단계 계획과 장애물 회피를 달성하기 위해 모델 체킹을 사용한다. 우리의 소규모 맞춤형 모델 체킹 알고리즘은 생물학적 에이전트에서 발견되는 '핵심(core)' 지식과 어텐션에 기반하여 로봇 코드 내 현장(in situ)에서 계획을 생성한다. 이는 사전 계산된 데이터 없이 저전력 장치에서 실시간으로 달성된다. 우리의 접근법은 자율 에이전트가 선호하는 행동(또는 안정 상태)을 방해하는 국소 환경의 교란에 대응하기 위해 생성되는 임시 제어 시스템들을 연쇄적으로 연결하는 것에 기반한다. 우리는 즉각적 환경의 임시 스냅샷에 의존하고 상태 수를 제한함으로써 상태 공간 폭발(state-space explosion)을 완화한다. 깊이 우선 탐색(depth-first search)과 부정된 LTL(Linear Temporal Logic) 경로 속성에 의해 생성된 반례(counter-examples)를 사용한 다단계 계획은 막다른 골목(cul-de-sac)과 독립형 장애물 시나리오에 적용된다. 실험 결과와 두 가지 기본 속성에 대한 비공식 증명은 국소 장애물 회피를 위한 효율적인 다단계 계획 생성에서 우리 접근법의 효과를 보여준다. 우리는 한 단계 앞만 계획할 수 있는 순수 반응형 에이전트와 비교하여 성능을 크게 개선한다. 우리의 접근법은 자율 주행 차량 맥락에서 안전하고 신뢰할 수 있는 내비게이션 개발을 위한 교육적 사례 연구이다. 또한 임무에 중요한(mission-critical) 이동 로봇의 내비게이션에도 일반적으로 적용될 수 있다고 우리는 믿는다.
What's Hidden Matters: Identifying Planning-Critical Occluded Agents using Vision-Language Models
CARVE-Q: 양자 제안, 고전 인증 대화형 주행 수리
CARVE-Q: Quantum-Proposed, Classically Certified Interactive Driving Repair
올바른 주행 거부(veto) 이후의 핵심 질문은 기동(maneuver)이 안전하지 않은지 여부뿐만 아니라, 차단된 상호작용이 합법적이고 감사 가능하며 책임 범위가 제한된 수리를 허용하는지 여부이다. 예측 및 게임 이론적 플래너(planner)는 그럴듯한 협력을 제안할 수 있지만, 수리가 엄격한 규칙, 우선통행권(right-of-way), 비용 배분, ego 전용 폴백(fallback)을 준수한다는 증명을 반환하지는 않는다. 우리는 CARVE(Certified Affordable Repair of Vetoed maneuvers via Envelopes)를 소개한다. 이는 예측 없는(prediction-free) 대화형 수리를 위한 인증(certificate) 아키텍처이다. 거부된 기동이 주어지면, CARVE는 유한한 수리 격자(lattice)를 구성하고, 구속 규칙, 선택된 공동 수리, 우선통행권 스케일 협력 포락(envelope), 책임 가중 비용 분배, ego 전용 폴백을 기록하는 구조화된 인증을 출력한다. 이 인증 관점은 알고리즘적 병목을 드러낸다: 다중 소유자 수리는 곱 격자 $M = \prod_j |\mathcal{A}_j|$를 유도한다. 따라서 우리는 CARVE-Q를 도입한다. 이는 검증자 보호(verifier-shielded) 양자-AI 탐색 층(layer)으로, 이 블랙박스 격자에만 양자 최솟값 탐색(minimum finding)을 적용하면서 모든 안전성 권한은 고전적으로 유지한다. 보수적 검증자-오라클(verifier-oracle) 모델에서, 정확한 고전 최솟값 탐색은 최악의 경우 $Θ(M)$ 쿼리를 필요로 하는 반면, Durr-Hoyer/Grover 최솟값 탐색은 높은 확률로 $O(\sqrt{M})$ 오라클 쿼리를 사용한다. 우리는 검증자 보호 인증 건전성(soundness), 우선순위 비유출(non-elicitation), 블랙박스 쿼리 분리, 유한 정밀도(finite-precision) 가역 오라클 구성 가능성(constructibility)을 증명한다. 이어서 CARVE 수리 오라클에 대해 최대 65,536개 할당까지 상태 벡터(state-vector) 최솟값 탐색을 시연하고, Lanelet2 기반 INTERACTION 리플레이에서 인증 보존을 검증한다. 우선통행권 준수 100%, 책임(blame) 일관성 100%, 우선순위 위양성(false positive) 0건을 달성했다. 그 결과는 인증된 자율주행(autonomy)을 위한 신뢰 경계(trust-bounded) 양자-AI 패턴이다: 양자가 제안하고, CARVE가 인증한다.
Vision-based Perception for Autonomous Vehicles in Obstacle Avoidance Scenarios
S4-Driver: Scalable Self-Supervised Driving Multimodal Large Language Modelwith Spatio-Temporal Visual Representation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.