基于主动探测与影响的多模态信念空间协方差驾驶控制

复杂交通环境下的自动驾驶需要在不确定性下进行推理。常见方法依赖基于预测的规划或风险感知控制，但这些方法通常被孤立地处理，限制了其捕捉行动与推理在交互环境中耦合性的能力。这一差距在不确定情景中尤为关键，仅仅作出反应性行为可能导致不安全的机动或过于保守的决策。我们的核心洞见是，安全的交互不仅需要估计人类行为，还需要在歧义构成风险时塑造这种行为。为此，我们引入了一个分层信念模型，对人类行为在粗粒度离散意图和细粒度运动模式之间进行结构化，通过贝叶斯推理进行更新，以实现可解释的多分辨率推理。在此基础上，我们开发了主动探测策略，以识别人类预测中多模态歧义可能构成风险的时机，并规划既能揭示意图又能将人类决策轻微引导至更安全结果的行动。最后，一个基于 Conditional Value-at-Risk (CVaR) 的运行时风险评估层确保所有探测行动均在人类风险容忍度范围内。我们的在车道合并和未标识交叉口情景的仿真结果表明，该方法在成功率和完成时间方面均优于现有方法。这些结果凸显了将信念推理、探测和风险监控耦合的好处，为不确定性下的规划提供了一个原则且可解释的框架。