通过基于在线学习的可达集障碍实现自动驾驶车辆安全且非保守的应急规划

自动驾驶车辆必须在动态不确定的环境中导航，同时平衡安全性与效率。不可预测的人类驾驶车辆（HV）行为与感知不准确性加剧了这一挑战，要求规划器能够适应不断演变的不确定性，同时维持安全轨迹。过度保守的规划会降低驾驶效率，而确定性方法则可能在意外场景中面临失败风险。为解决这些问题，我们提出了一种实时应急轨迹优化框架。我们的方法采用事件触发的HV控制意图集在线学习，以动态量化多模态HV不确定性，并增量式地细化其前向可达集（FRS）。至关重要的是，我们通过基于FRS的障碍约束来强制执行不变安全性，确保安全而不依赖于精确的轨迹预测。这些约束无缝嵌入应急轨迹优化中，并通过一致性交替方向乘子法（ADMM）高效求解。系统持续适应HV行为不确定性，在不过度保守的情况下保持可行性与安全性。在高速公路和城市场景下的高保真仿真，以及一系列真实世界实验，证明了在不确定性下维持安全的同时，驾驶效率和乘客舒适度得到显著提升。项目页面见：https://pathetiue.github.io/frscp.github.io/。