动态环境中自动驾驶车辆的在线风险有界运动规划

自动驾驶车辆高效且鲁棒运动规划的一个关键挑战是理解周围智能体的意图。在动态环境中忽略其他智能体的意图可能导致冒险或过度保守的规划。在这项工作中，我们将运动规划问题建模为部分可观测马尔可夫决策过程（POMDP），并提出一个在线系统，该系统结合意图识别算法与POMDP求解器，为在多个动态智能体车辆中行驶的自车生成风险有界规划。意图识别算法利用贝叶斯滤波和一组预学习的机动运动模型，在有限时域内预测每个智能体车辆的概率混合运动状态。我们实时用意图识别结果更新POMDP模型，并使用启发式搜索算法求解，该算法生成的策略对其他动态智能体发生近碰撞的概率提供上界保证。我们证明，与基线方法相比，我们的系统能够在包括无保护交叉口左转和变道在内的若干具有挑战性的环境中，在效率与安全性方面生成更好的运动规划。