Tomada de decisão probabilística sob incerteza para condução autônoma usando POMDPs contínuos

Este artigo apresenta uma abordagem genérica para a tomada de decisão tática sob incerteza no contexto da condução. A complexidade dessa tarefa decorre principalmente do fato de que a tomada de decisão racional nesse contexto deve considerar várias fontes de incerteza: A evolução temporal das situações não pode ser prevista sem incerteza porque outros usuários da estrada se comportam estocasticamente e seus objetivos e planos não podem ser mensurados. Ainda mais importante, os usuários da estrada são capazes de perceber apenas uma pequena parte da situação atual com seus sensores porque as medições são ruidosas e a maior parte do ambiente está oculta. Para antecipar as consequências das decisões, uma abordagem probabilística que considere ambas as formas de incerteza é necessária. Nós abordamos isso formulando a tarefa de conduzir como um Processo de Decisão de Markov Parcialmente Observável (POMDP) contínuo que pode ser otimizado automaticamente para diferentes cenários. Como dirigir é um problema de espaço contínuo, o espaço de crença é de dimensão infinita. Não utilizamos uma representação simbólica ou discretizamos o espaço de estados a priori porque não há uma representação do espaço de estados que seja ótima para cada situação. Em vez disso, empregamos um resolvedor de POMDP contínuo que aprende uma boa representação da situação específica.