Los puntos clave no están disponibles para este artículo en este momento.
Un vehículo autónomo debe entender su entorno para determinar la acción adecuada. Los sistemas de autonomía tradicionales dependen de la detección de objetos para encontrar los agentes en la escena. Sin embargo, la detección de objetos asume un conjunto discreto de objetos y pierde información sobre la incertidumbre, por lo que cualquier error se acumula al predecir el comportamiento futuro de esos agentes. Alternativamente, se han utilizado mapas de malla de ocupación densa para entender el espacio libre. Sin embargo, predecir una malla para toda la escena es ineficiente, ya que solo ciertas regiones espaciotemporales son alcanzables y relevantes para el vehículo autónomo. Presentamos un marco de autonomía unificado, interpretable y eficiente que se aleja de los módulos en cascada que primero perciben, luego predicen y finalmente planifican. En cambio, cambiamos el paradigma para que el planificador consulte la ocupación en puntos espaciotemporales relevantes, restringiendo el cálculo a esas regiones de interés. Aprovechando esta representación, evaluamos trayectorias candidatas en torno a factores clave como la evitación de colisiones, el confort y el progreso para la seguridad y la interpretabilidad. Nuestro enfoque logra una mejor calidad de conducción en autopistas que el estado del arte en simulaciones de bucle cerrado de alta fidelidad.
Biswas et al. (Mon,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: