=== SAMENVATTING ===

Technische Samenvatting: UnsDrive

Probleemstelling

End-to-end autonoom rijden heeft aanzienlijke belofte getoond in gestructureerde stedelijke omgevingen, waar duidelijke rijstrookmarkeringen, hoogwaardige kaarten en voorspelbare verkeerspatronen sterke structurele priors bieden. Deze methoden hebben echter moeite met het generaliseren naar ongestructureerde mijnbouwomgevingen (bijv. dagbouwmijnen). In deze omgevingen worden planners geconfronteerd met unieke uitdagingen:

• Gebrek aan structurele priors: Mijnbouwwegen missen rijstrookmarkeringen, stoepranden en consistente geometrische aanwijzingen. De wegtopologie verandert frequent door graaf- en stortactiviteiten.
• Complexe dynamiek en perceptie: Zware voertuigen (mijntrucks, graafmachines) vertonen een dynamiek die verschilt van personenauto's. Omgevingsfactoren zoals stof, trillingen en extreem licht beïnvloeden de sensoraanwijzingen negatief.
• Partiële observeerbaarheid: Terreinkenmerken zoals kuilen, hellingen en voorraden veroorzaken aanzienlijke occlusies, wat leidt tot grote onbekende regio's. Bestaande methoden behandelen deze niet-geobserveerde gebieden vaak als vrije ruimte, wat leidt tot onveilig rijgedrag.
• Evaluatiekloof: Er is een opvallend gebrek aan closed-loop evaluatieframeworks die zijn afgestemd op mijnbouwscenario's. Bestaande simulators zijn gebouwd voor stedelijke/snelwegomgevingen en slagen er niet in om mijnbouwspecifieke operationele logica, interacties tussen zware voertuigen en onregelmatige weggeometrieën te vatten.

Methodologie: UnsDrive

De auteurs stellen UnsDrive voor, een end-to-end planner die specifiek is ontworpen voor ongestructureerde mijnbouwscènes. Het framework bestaat uit twee primaire modules: een unknown-aware occupancy representatie en een flow-gebaseerde generatieve planner.

1. Unknown-Aware Occupancy Representatie

Om de uitdaging van partiële observeerbaarheid aan te pakken, construeert UnsDrive een dichte, volumetrische scène-representatie die expliciet onderscheid maakt tussen bezet, vrij en onbekend gebied.

• Multi-frame Visibility Estimatie: In plaats van te vertrouwen op leerbare parameters, schat het systeem de voxel-wijze zichtbaarheid door middel van ray-tracing van LiDAR-sweeps uit $N$ opeenvolgende frames door een voxelgrid. Voxels worden gelabeld als bezet, vrij of ongeobserveerd op basis van de ray-terminatie.
• Visibility-Modulated Semantics: Het systeem moduleert semantische occupancy-voorspellingen met behulp van de visibility score. Als een voxel ongeobserveerd is, wordt de waarschijnlijkheidsmassa toegewezen aan een expliciete unknown class in plaats van deze te dwingen in een semantische categorie.
• Gated Occupancy Encoding: Een gated residual design fuseert de geleerde occupancy-features met de gekalibreerde semantisch-visibility bewijsvoering. Dit stelt het model in staat om adaptief een balans te vinden tussen geometrische context en onzekerheidsinformatie.
• Volumetrische Tokenisatie: Om hoogte-informatie te behouden (cruciaal voor hellingen en voorraden) terwijl het aantal tokens wordt verminderd, wordt het 3D voxelgrid langs de verticale as gecomprimeerd met behulp van een 1D convolutie, wat resulteert in een token-sequentie met 3D positionele codering.

2. Flow-gebaseerde Generatieve Planning

De planner maakt gebruik van Conditional Flow Matching (CFM) om multimodale toekomstige trajecten te genereren, geconditioneerd op de scène-representatie.

• Multimodale Generatie: In tegenstelling tot deterministische regressie leert CFM een snelheidveld om ruis te transporteren naar het grondwaarheidstraject, wat van nature meerdere haalbare toekomstige modi ondersteunt (bijv. verschillende paden rond een obstakel).
• Scène Fusie: De planner maakt gebruik van een gecascadeerd cross-attention mechanisme. Het geeft prioriteit aan het attenderen op de unknown-aware 3D occupancy tokens (veiligheids-/onzekerheidscues) voordat de globale BEV-context en agent-dynamiek worden geïntegreerd.
• Navigatie Injectie: High-level navigatiecommando's, doelpunten en ego-states worden geïnjecteerd via Feature-wise Linear Modulation (FiLM) om de trajectgeneratie te sturen.

3. Veiligheidsregularisatie en Scoring

Om veiligheid onder partiële observeerbaarheid te garanderen, introduceert het framework twee belangrijke mechanismen:

• Occupancy Trajectory Consistency (OTC) Loss: Een regularisatieterm die trajecten bestraft die regio's betreden met een hoge niet-doorlaatbare waarschijnlijkheid of een hoge "unknown" waarschijnlijkheid. Dit koppelt het generatieve proces aan veiligheidsredenering.
• Uncertainty-Aware Trajectory Scorer: Tijdens de inferentie worden meerdere kandidaat-trajecten gegenereerd. Een scoring-module evalueert deze op basis van trajectkwaliteit, niet-doorlaatbare straffen en onbekende-regio-straffen. De kandidaat met de hoogste score wordt geselecteerd, wat ervoor zorgt dat het systeem ongeobserveerde of gevaarlijke regio's vermijdt.

Belangrijkste Bijdragen

1. UnsDrive Planner: Een end-to-end planning framework met een unknown-aware occupancy representatie, een OTC loss en een uncertainty-aware scoring module. Het redeneert expliciet over onbekende ruimte om de veiligheid in ongestructureerde omgevingen te verbeteren.
2. MineLoop Simulator: Een closed-loop simulator die specifiek is afgestemd op open-pit mijnbouw. Het reconstrueert mijnbouwscenario's vanuit UAV-surveydata, simuleert de dynamiek van zware voertuigen en ondersteunt configureerbare condities (stof, zichtbaarheid, wegdek) om een rigoureuze closed-loop evaluatie mogelijk te maken.
3. Uitgebreide Evaluatie: De auteurs demonstreren dat UnsDrive beter presteert dan aangepaste stedelijke rij-baselines in zowel open-loop (trajectnauwkeurigheid, botsingspercentage) als closed-loop (driving score, succespercentage) settings binnen het mijnbouwdomein.

Experimentele Resultaten

Het paper evalueert UnsDrive met een dataset verzameld in MineLoop, die 89 scènes beslaat met complex terrein en dynamische agenten.

• Open-Loop Prestaties: UnsDrive behaalde de laagste L2-fout (gemiddeld 0,44 m) en het laagste botsingspercentage (gemiddeld 0,10%) vergeleken met sterke baselines zoals OccWorld, OccNet, SparseWorld en DiffusionDrive. Het verminderde de gemiddelde L2-fout met 48% en het botsingspercentage met 70% vergeleken met de sterkste baseline (SparseWorld).
• Closed-Loop Prestaties: In de MineLoop benchmark behaalde UnsDrive een Driving Score van 84,25 en een Success Rate van 68,56%, waarmee het de beste baseline met respectievelijk 6,89 en 10,29 punten versloeg.
• Ablatie-studies:
  • Unknown-Aware Occupancy (UA-OCC): Verminderde de gemiddelde L2-fout met ~26% en het botsingspercentage met ~33% vergeleken met de baseline zonder deze component.
  • OTC Loss: Verminderde de L2-fout verder met 18% en het botsingspercentage met 46%.
  • Uncertainty-Aware Scorer: Leverde de uiteindelijke significante boost, waarbij de L2-fout met meer dan 50% werd verminderd en het botsingspercentage met bijna 75% ten opzichte van de baseline.

Betekenis en Claims

Het paper beargumenteert dat expliciet redeneren over onbekende ruimte cruciaal is voor autonoom rijden in ongestructureerde omgevingen. Door onderscheid te maken tussen vrije, bezette en ongeobserveerde regio's, vermijdt UnsDrive de veiligheidsrisico's van het behandelen van geoccludeerde gebieden als doorrijbaar.

De auteurs beweren dat hun werk de kloof overbrugt tussen algoritmeontwerp en real-world implementatie in de mijnbouw door te voorzien in:

1. Een methode die de afwezigheid van structurele priors en de inherente zware occlusie in de mijnbouw aankan.
2. Een gespecialiseerd closed-loop evaluatieframework (MineLoop) dat de mijnbouwspecifieke operationele logica en geometrie reflecteert.

Beperkingen: De auteurs merken bescheiden op dat alle experimenten in simulatie zijn uitgevoerd. Het valideren van UnsDrive op fysieke mijntrucks blijft een belangrijke toekomstige stap. Daarnaast suggereren zij dat een nauwere koppeling tussen uncertainty-aware planning en downstream controle een waardevolle richting is voor toekomstig onderzoek.