一种面向合流场景的风险与舒适性优化运动规划方案

考虑测量与预测不确定性的合流场景运动规划是实现自动驾驶道路上的一大挑战。经典方法将运动规划细分为行为规划与轨迹规划，从而缩小了解集。因此，在复杂合流场景中，可能找不到合适的解决方案。在本工作中，我们提出了一种通过探索所有可能决策选项来同时解决行为规划与轨迹规划的规划方案。该方案实现了安全策略，并将违反安全约束的风险以及加加速度（jerk）最小化，以得到风险与舒适性最优的轨迹。为减轻实际轨迹中噪声的注入，推导了一种新的解析轨迹生成方法并证明了其最优性。通过蒙特卡洛仿真评估了决策能力。此外，对计算时间进行了评估，显示了我们方法的实时能力。