智能体不确定性下自动驾驶车辆的非高斯机会约束轨迹规划

智能体行为无疑是自动驾驶车辆轨迹规划中最大的不确定性来源。该问题激励了行为预测领域大量关于学习智能体未来状态与动作丰富分布的工作。然而，当前大多数关于智能体或障碍物不确定性下的机会约束轨迹规划工作要么假设高斯不确定性或线性约束（这具有局限性），要么需要采样（这在优化问题中编码时计算上难以处理）。本文中，我们提出一种方法，对由多项式和可能含非高斯分量的混合模型定义的机会约束给出上界，从而推进了最先进水平。我们的方法利用分布统计矩与集中不等式来上界约束违反概率，由此获得通用性。借助该方法，基于优化的轨迹规划器可规划相对于代表智能体未来位置预测的各种分布均为机会约束的轨迹。在实验中，我们展示所得优化问题可用最先进的非线性规划求解器求解，其规划轨迹的速度足以在线使用。