论文页面 - 部分可观测环境下自动驾驶的统一风险图学习

来源：https://huggingface.co/papers/2605.22189

摘要

一种统一的风险图建模框架，通过时空建模和基于扩散的场景生成，整合交通流风险与碰撞风险，解决了自动驾驶中的遮挡挑战。

遮挡感知预测（https://huggingface.co/papers?q=Occlusion-aware%20prediction）由于未观测区域固有的不确定性，仍是自动驾驶中的关键难题。现有方法要么基于可达状态高估风险，要么在高遮挡不确定性下难以预测准确轨迹。为克服这些局限，我们提出了一种面向部分可观测环境（https://huggingface.co/papers?q=partially%20observable%20environments）的统一风险图建模（https://huggingface.co/papers?q=risk%20map%20modeling）与学习框架。该方法通过时空建模（https://huggingface.co/papers?q=spatiotemporal%20modeling）整合交通流风险与碰撞风险，实现对遮挡引发危险的细粒度评估。针对遮挡交互场景稀缺的问题，我们引入了一个基于扩散的场景生成（https://huggingface.co/papers?q=diffusion-based%20scenario%20generation）框架，可生成真实且具对抗性的场景。我们将统一风险图的建模与学习集成到一个支持部分可观测下风险感知规划（https://huggingface.co/papers?q=risk-aware%20planning）的框架中。在Waymo Open Motion数据集上的实验表明，我们的方法显著优于现有的最优遮挡感知基线，最小碰撞时间提升0.78倍，平均碰撞时间提升1.67倍。所提框架为部分可观测环境（https://huggingface.co/papers?q=partially%20observable%20environments）下的风险感知规划（https://huggingface.co/papers?q=risk-aware%20planning）提供了一种全面且实用的解决方案。

查看arXiv页面（https://arxiv.org/abs/2605.22189）查看PDF（https://arxiv.org/pdf/2605.22189）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.22189）

在你的代理中获取此论文：

hf papers read 2605.22189

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本论文的模型0

暂无模型链接本论文

在模型README.md中引用 arxiv.org/abs/2605.22189 以在此页面建立链接。

引用本论文的数据集0

暂无数据集链接本论文

在数据集README.md中引用 arxiv.org/abs/2605.22189 以在此页面建立链接。

引用本论文的Space0

暂无Space链接本论文

在Space README.md中引用 arxiv.org/abs/2605.22189 以在此页面建立链接。

包含本论文的收藏集0

暂无收藏集包含本论文

将本论文添加至收藏集（https://huggingface.co/new-collection）以在此页面建立链接。