基于高斯-勒让德立方根与非均匀泊松过程的概率碰撞风险估计
机器人学
2025-10-02 v2
摘要
高速自动驾驶赛车中的超车需要精确的实时碰撞风险估计；特别是在轮位与轮位之间的情况下，安全裕度最小。在碰撞风险估计方面的现有方法要么依赖简化的几何近似，如包围圆，要么进行蒙特卡罗抽样，导致在赛车速度下运动规划行为过于保守。我们引入了高斯-勒让德矩形（GLR）算法，这是一种原则性的两阶段积分方法，通过将高斯-勒让德与非均匀泊松过程结合来估计碰撞风险。GLR 产生准确的风险估计，考虑车辆几何和轨迹不确定性。在 446 个高保真 Formula One 赛车模拟中的实验中，GLR 在五个最先进的基线方法中 outperform，平均误差降低 77%，且超过下一名最佳方法 52%，同时以 1000 Hz 的速度运行。该框架通用且适用于自动驾驶赛车之外的更广泛运动规划场景。
引用
@article{arxiv.2507.18819,
title = {Probabilistic Collision Risk Estimation through Gauss-Legendre Cubature and Non-Homogeneous Poisson Processes},
author = {Trent Weiss and Madhur Behl},
journal= {arXiv preprint arXiv:2507.18819},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication