Backward reachability with risk assessment for safety-oriented multiantagonist autonomous navigation

Autonomous navigation in complex multi-agent environments represents a challenging task in mobile robotics. Particularly, in self-driving applications safety must be always guaranteed, i.e. collisions are to be avoided. One of the existing methodologies for robust safety assurance is provided by the Backward Reachability Analysis (BRA). Although this approach works well in situations with just one surrounding vehicle, its extension to multi-agent scenarios is computationally intractable and overly conservative. To cope with these two aspects, we propose a methodology to estimate the importance of sub-portions of the Backward Reachable Tube (BRT), according to a measure of associated danger. This allows to reduce the BRT dimensions in a meaningful way, as well as to prioritize collision avoidance with the different vehicles in case of multi-agent scenarios. Firstly, safety preservation is implemented for each human-autonomous vehicle pair as constraint in a state-of-the-art Model Predictive Control (MPC) framework, by considering the BRT obtained from the Hamilton-Jacobi BRA. Secondly, a prioritization method based on the predictions made by an Artificial Neural Network (NN) is implemented. The NN, trained by considering a dataset obtained by Monte Carlo simulations of Pursuit-Evasion game, provides the danger classes introduced in the MPC for the application of different priorities. The effectiveness of the prioritizing method is validated on complex simulations with two human-driven cars seeking to collide with the autonomous vehicle. Then, the correct safety navigation of the Ego is supported by the simulation in a highway multi-agent environment. It is demonstrated how the novel approach has advantages in terms of ensuring safety if compared with the case in which all the safety-critical interactions are considered with equal importance. Particularly, the proposed approach leads to a significant increase in the collision time.

La navigazione autonoma in complessi ambienti multi-agente rappresenta una sfida impegnativa nella robotica mobile. In particolare, nelle applicazioni di guida autonoma la sicurezza deve essere sempre garantita, ovvero si devono evitare collisioni. Una delle metodologie esistenti per una solida garanzia di sicurezza è fornita dall'analisi di raggiungibilità a ritroso (BRA). Sebbene questo approccio funzioni bene in situazioni con un solo veicolo circostante, la sua estensione a scenari multi-agente è computazionalmente intrattabile ed eccessivamente prudente. Per far fronte a questi due aspetti, si propone un metodo per stimare il peso delle sottoporzioni del tubo raggiungibile a ritroso (BRT), seguendo una misura di pericolo ad esso associato. Ciò consente di ridurre le dimensioni del BRT in modo significativo, nonché di dare priorità alla prevenzione delle collisioni con i diversi veicoli in caso di scenari multi-agente. In primo luogo, per ciascuna coppia uomo-veicolo autonomo, il mantenimento della sicurezza è implementato come vincolo in un framework stato dell'arte di controllo predittivo del modello (MPC), considerando il BRT ottenuto dal BRA di Hamilton-Jacobi. In secondo luogo, viene implementato un metodo di assegnazione della priorità basato sulle previsioni di una rete neurale artificiale (NN). La NN, allenata con un set di dati ottenuto da simulazioni Monte Carlo del gioco dell'inseguimento, fornisce le classi di pericolosità introdotte nel MPC per l'applicazione di diverse priorità. L'efficacia del metodo di prioritizzazione è verificata da complesse simulazioni in cui due umani cercano di colpire il veicolo autonomo. La corretta navigazione in sicurezza dell'Ego è poi confermata da una simulazione in ambiente autostradale. Si dimostra come il nuovo approccio presenti vantaggi in termini di sicurezza rispetto al caso in cui tutte le interazioni critiche siano considerate con uguale peso. In particolare, l'approccio proposto comporta un aumento significativo del tempo di collisione.