用于安全自主运动规划的可达状态密度计算案例研究

可达状态的密度有助于理解安全关键系统的风险，尤其是在最坏情况可达性过于保守的情形下。近期工作提供了一种数据驱动方法，用于在线计算自主系统前向可达状态的密度分布。在本文中，我们研究了该方法与模型预测控制相结合，用于不确定性下可验证的安全路径规划。我们首先利用学习到的密度分布在线计算碰撞风险。若该风险超过可接受阈值，我们的方法将围绕先前轨迹规划一条新路径，使碰撞风险低于阈值。我们的方法非常适于处理带不确定性和复杂动力学的系统，因为我们的数据驱动方法不需要系统动力学的解析形式，并能以任意不确定性初始分布估计前向状态密度。我们设计了两个具有挑战性的场景（自动驾驶与气垫船控制），用于系统不确定性下含障碍环境的安全运动规划。我们首先表明，我们的密度估计方法在使用仅 0.01X 训练样本的情况下可达到与基于蒙特卡洛方法相似的精度。通过利用估计的风险，我们的算法在强制安全率高于 0.99 时实现了最高的目标到达成功率。