基于（风险）预算的规划：概率动态环境中的安全非保守规划

在其他智能体未来动作不确定的环境中进行规划，往往需要在安全性与性能之间折衷。本文的目标是设计高效的规划算法，在保障安全违反概率有界的同时实现非保守性能。为量化系统风险，我们定义了一种称为区间风险界（IRB）的自然准则，它给出了给定时间间隔或任务上安全违反概率的参数化上界。我们提出了一种新颖的滚动时域算法，并证明它能满足期望的 IRB。我们的算法维护一个动态风险预算，约束每次迭代允许的风险，并通过要求安全集可在预算内由应急计划到达来保证递归可行性。我们通过仿真实验经验性地证明，在涉及与其他车辆碰撞避免的两个自动驾驶实验中，我们的算法比强基线更安全且更不保守，并进一步展示了我们的算法在一辆自主 8 级卡车上运行。