Co-Design von Erreichbarkeitsanalyse und Trajektorienplanung für Kollisionsvermeidungssysteme

• Antragsteller: Professor Dr.-Ing. Matthias Althoff
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2014 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 252614982

• Erstellungsjahr: 2022

Zusammenfassung der Projektergebnisse

Bewegungsplanungsansätze für automatisierte Straßenfahrzeuge sind mit vielen Herausforderungen konfrontiert. Neben den unsicheren Messungen der Umgebung und den unsicheren zukünftigen Bewegungen anderer Verkehrsteilnehmer, stehen diese Systeme vor dem Problem, dass die Berechnungszeit zunimmt, wenn die Situation gefährlicher wird. Dies ist auf den reduzierten Lösungsraum zurückzuführen, der es klassischen Bewegungsplanern erschwert, eine praktikable Lösung zu finden. Gerade in gefährlichen Situationen wäre jedoch eine kurze Rechenzeit wünschenswert. Wir haben dieses Problem durch die Kombination von Erreichbarkeitsanalyse und Bewegungsplanung gelöst (eine Erreichbarkeitsanalyse liefert die Menge der möglichen Lösungen für ein dynamisches System). Im Gegensatz zu klassischen Bewegungsplanern wird die Erreichbarkeitsanalyse um so schneller, je kleiner der Lösungsraum ist. Wir haben ein neuartiges Co-Design von Erreichbarkeitsanalyse und Bewegungsplanung entwickelt, um einen Bewegungsplaner mit geringen Berechnungszeiten in gefährlichen Situationen zu realisieren. Durch die Verwendung von Erreichbarkeitsmengen können wir den Suchraum von graphenbasierten Planern besser eingrenzen und Planer mit gradientenbasierter kontinuierlicher Optimierung konvergieren schneller zu einer guten Lösung. Um die Sicherheit automatisierter Straßenfahrzeuge weiter zu verbessern, haben wir eine Methode entwickelt, mit der sich automatisch sichere Zustände ableiten lassen, in denen sich ein Fahrzeug unbegrenzt lange aufhalten kann, ohne eine Kollision zu verursachen. Dies ermöglicht es, sichere Bewegungspläne für unendliche Zeithorizonte zu erstellen. Um weitere Rechenzeit zu sparen, haben wir neuartige Methoden erforscht, um unsichere Bewegungspläne zu reparieren, d.h. nur kritische Teile zu ändern, so dass nur die Kollisionsprüfung für den reparierten Teil erneut durchgeführt werden muss. Soweit wir wissen, haben wir den ersten kollisionsfreien Bewegungsplaner entwickelt, dessen Rechenzeit in kritischen Situationen abnimmt – im Gegensatz zu allen anderen Bewegungsplanern, die in solchen Situationen versagen würden. Offensichtlich handelt es sich bei den kritischen Situationen um solche, die besonders wichtig sind, so dass wir glauben, dass unsere Ergebnisse von gesellschaftlichem Wert sind. Unsere neuartigen Erkenntnisse wurden in acht hochkarätigen Artikeln veröffentlicht, von denen drei in renommierten Fachzeitschriften erschienen sind. Darüber hinaus haben wir den ersten internationalen Wettbewerb zur Bewegungsplanung für autonome Fahrzeuge in realistischen Szenarien organisiert.

Projektbezogene Publikationen (Auswahl)

• “Computing the Drivable Area of Autonomous Road Vehicles in Dynamic Road Scenes.” In: IEEE Transactions on Intelligent Transportation Systems 19.6 (2018), pp. 1855–1866
  S. Söntges and M. Althoff
  (Siehe online unter https://doi.org/10.1109/TITS.2017.2742141)
• “Falsification-Based Robust Adversarial Reinforcement Learning.” In: Proc. of the 19th International Conference on Machine Learning and Applications. 2020, pp. 205–212
  X. Wang, S. Nair, and M. Althoff
  (Siehe online unter https://doi.org/10.1109/ICMLA51294.2020.00042)
• “Safe Reinforcement Learning for Autonomous Lane Changing Using Set-Based Prediction.” In: Proc. of the 23rd IEEE International Conference on Intelligent Transportation Systems. 2020, pp. 1–7
  H. Krasowski, X. Wang, and M. Althoff
  (Siehe online unter https://doi.org/10.1109/ITSC45102.2020.9294259)
• “Using online verification to prevent autonomous vehicles from causing accidents.” In: Nature Machine Intelligence 2 (2020), pp. 518–528
  C. Pek, S. Manzinger, M. Koschi, and M. Althoff
  (Siehe online unter https://doi.org/10.1038/s42256-020-0225-y)
• “CommonRoad-RL: A Configurable Reinforcement Learning Environment for Motion Planning of Autonomous Vehicles.” In: Proc. of the IEEE International Intelligent Transportation Systems Conference. 2021, pp. 466–472
  X. Wang, H. Krasowski, and M. Althoff
  (Siehe online unter https://doi.org/10.1109/ITSC48978.2021.9564898)
• “Sampling-Based Optimal Trajectory Generation for Autonomous Vehicles Using Reachable Sets.” In: Proc. of the IEEE International Intelligent Transportation Systems Conference. 2021, pp. 828–835
  G. Würsching and M. Althoff
  (Siehe online unter https://doi.org/10.1109/ITSC48978.2021.9564801)
• “Sampling-Based Trajectory Repairing for Autonomous Vehicles.” In: Proc. of the IEEE International Intelligent Transportation Systems Conference. 2021, pp. 572–579
  Y. Lin, S. Maierhofer, and M. Althoff
  (Siehe online unter https://doi.org/10.1109/ITSC48978.2021.9565060)
• “Using Reachable Sets for Trajectory Planning of Automated Vehicles.” In: IEEE Transactions on Intelligent Vehicles 6.2 (2021), pp. 232–248
  S. Manzinger, C. Pek, and M. Althoff
  (Siehe online unter https://doi.org/10.1109/TIV.2020.3017342)