自动驾驶中用于故障运行控制的增量贝叶斯学习

周围车辆（SVs）的突然机动通常会导致安全隐患并影响自车（EV）的任务效率，尤其是在存在源于环境干扰的模型不确定性时。本文提出了一种实时故障运行控制器，确保不确定的 EV 渐近收敛到安全状态，同时在动态环境中保持任务效率。开发了一种增量贝叶斯学习方法，以促进对环境干扰变化的在线学习和推断。利用干扰量化和约束变换，我们基于控制障碍函数（CBF）开发了一种随机故障运行障碍。通过这一发展，不确定的 EV 能够以概率稳定性从不安全状态渐近收敛到定义的安全状态。随后，将该随机故障运行障碍集成到基于二次规划（QP）的高效故障运行控制器中。该控制器专为 EV 在存在环境干扰且受控制约束的情况下运行而定制，同时兼顾了安全性和效率目标。我们在连接巡航控制（CCC）任务中验证了所提出的框架，其中 SVs 执行激进驾驶机动。仿真结果表明，即使在时变环境干扰下，我们的方法也能使 EV 迅速返回安全状态，同时实时保持任务效率。