MMD-OPT：基于最大均值差异的自主驾驶碰撞风险样本高效最小化方法
机器学习
2025-07-08 v2 机器人学
摘要
我们提出MMD-OPT：一种用于在任意动态障碍物预测分布下最小化碰撞风险的样本高效方法。MMD-OPT基于再现核希尔伯特空间（RKHS）中的分布以及相关的最大均值差异（MMD）。我们展示了如何利用这两个概念定义碰撞风险估计的样本高效替代方案。在大量仿真实验中验证了MMD-OPT在合成数据和真实世界数据集上的有效性。重要的是，我们表明，利用基于MMD的碰撞风险替代方案进行轨迹优化，可在样本 regimes较低时，比基于条件价值 at risk（CVaR）的流行替代方案产生更安全的轨迹。
引用
@article{arxiv.2412.09121,
title = {MMD-OPT : Maximum Mean Discrepancy Based Sample Efficient Collision Risk Minimization for Autonomous Driving},
author = {Basant Sharma and Arun Kumar Singh},
journal= {arXiv preprint arXiv:2412.09121},
year = {2025}
}