面向实时机会约束高斯信念空间规划的约束迭代LQG方法

不确定性下的运动规划对于自动驾驶车辆等安全关键系统具有重要意义。此类系统必须在存在来自受扰系统动力学或噪声传感器测量的潜在不确定性的情况下满足必要约束（例如避碰）。然而，现有的运动规划方法无法在一般非线性和非凸设定下高效地找到鲁棒最优解。在本文中，我们将该问题表述为机会约束高斯信念空间规划，并提出约束迭代线性二次高斯（CILQG）算法作为实时解决方案。在该算法中，我们迭代计算信念的高斯近似并转化机会约束。我们在具有静态和动态障碍物的自动驾驶规划任务仿真中评估了我们所提方法的有效性。结果表明，CILQG能更恰当地处理不确定性，并且比基线方法具有更快的计算时间。