LaPlaSS：随机系统的潜空间规划

自主移动智能体通常在危险环境中运行，因此需要具备安全意识。这些智能体可能具有非线性、随机动力学，在规划过程中必须加以考虑以保证有界风险。现有最先进的方法大多需要闭式动力学来验证规划的正确性与安全性，然而现代机器人系统的动力学通常是从数据中学习的。因此，需要对缺乏已知动力学模型的智能体进行具有风险保证的高效轨迹规划。我们提出了一种用于风险有界规划的“生成与测试”方法：规划器使用近似线性动力学模型生成候选轨迹，验证器评估该轨迹的风险，若候选轨迹不满足期望的风险界，则为规划器计算额外的安全约束。为获取近似模型，我们使用变分自编码器学习潜在的线性动力学模型，并将规划问题编码到潜空间中以生成候选轨迹。VAE 还用于在候选轨迹周围进行采样，以供验证器使用。我们证明，我们的算法 LaPlaSS 能够为具有学习动力学的真实世界智能体生成具有有界风险的轨迹规划，且效率比现有最先进方法高出一个数量级。