状态与动态目标预测不确定性下的机会约束MPPI及碰撞风险校准评估
机器人学
2026-05-28 v1
摘要
机会约束模型预测路径积分(MPPI)控制在动态环境导航中日益被采用，以明确约束碰撞风险。然而，这些概率性保证隐含地假设来自定位和感知的上游不确定性已得到良好校准。在实践中，估计器常常校准不良，从而引发特征性的闭环失效模式：过度自信导致系统性安全违规，而信心不足则触发过度保守的冻结或概率稀释。为填补这一关键空白，我们的主要贡献是提出一种严格的评估方法，应用恰当的评分规则来评估闭环执行期间预测碰撞风险的统计有效性。同时，我们提出了双不确定性机会约束管MPPI(DUCCT-MPPI)作为一种实时的、风险感知的规划架构。DUCCT-MPPI通过单管无迹变换(UT)近似联合集成定位不确定性，并通过蒙特卡洛聚合集成动态障碍物预测不确定性。通过广泛的基于物理的仿真，该框架展示了鲁棒的故障缓解能力，能在高度杂乱的环境中无缝过渡到安全、保守的机动操作，而不会陷入功能死锁。在高度杂乱的环境中，DUCCT-MPPI实现了卓越的鲁棒性，在导航成功率上比已建立的蒙特卡洛MPPI基线高出近28%，同时实现了最低的行驶时间并最小化了诱导的社会力。最终，这些发现表明，自主导航中可靠的概率安全性不仅要求表达力强的风险模型，还要求整个自主栈中统计上有效的不确定性估计。
引用
@article{arxiv.2605.28330,
title = {Chance-Constrained MPPI under State and Dynamic Object Prediction Uncertainty and the Evaluation of Collision Risk Calibration},
author = {Benjamin Serfling and Konrad Doll and Kati Radkhah-Lens},
journal= {arXiv preprint arXiv:2605.28330},
year = {2026}
}
备注
Submitted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)