规避独角兽：实时自动碰撞规避的实验洞察
系统与控制
2026-02-20 v1 机器人学
系统与控制
摘要
静止障碍物突然出现于道路上的情形，即所谓的独角兽测试，是自动驾驶碰撞规避中的一个著名紧急情景。模型预测控制（MPC）长期以来一直被用于自动驾驶车辆的规划与控制，但由于 MPC 在此类危险情景下的规避行动计算负担沉重，实时实现自动碰撞规避仍未得到解决。本文提供了关于实时碰撞规避的新见解，通过在突然和意外出现静止障碍物后实施 MPC 进行运动规划的实验实现。由于现代非线性 MPC 在实时内提供可接受解的能力有限，我们提出了一种类人前馈规划器，以协助当 MPC 优化问题因初始猜测质量差而无法获得可接受解或无法找到合适解时使用。我们引入了最大转向操控的概念，以设计前馈规划器并模拟在检测到道路上静止障碍物后进行的类人反应。我们在 FPEV2-Kanon 无人电动车上进行了在各种速度和紧急程度下的实生活实验。此外，我们通过与现代 MPC 运动规划器进行比较，展示了我们的规划策略的有效性。
引用
@article{arxiv.2602.17512,
title = {Dodging the Moose: Experimental Insights in Real-Life Automated Collision Avoidance},
author = {Leila Gharavi and Simone Baldi and Yuki Hosomi and Tona Sato and Bart De Schutter and Binh-Minh Nguyen and Hiroshi Fujimoto},
journal= {arXiv preprint arXiv:2602.17512},
year = {2026}
}
备注
10 pages, 10 figures