occluded 环境中的安全驾驶
系统与控制
2025-10-16 v1 机器人学
系统与控制
摘要
在存在遮挡的情况下确保安全的自动驾驶是其政策设计面临的重大挑战。虽然现有的基于集合不变性的模型驱动控制技术可以处理可见风险，但遮挡会创建潜在风险，其中安全关键状态不可观测。数据驱动技术也难以处理潜在风险，因为无法在没有可见风险关键对象的情况下，从风险关键对象直接学习到安全动作的映射。针对这些挑战，本文提出了一种用于潜在风险的概率安全证书。我们的关键技术启用是应用概率不变性：它放宽了集合不变方法所要求的严格可观测性要求，这些方法要求知道风险关键状态。所提出的技术提供线性动作约束，将潜在风险概率限制在容忍范围内。这些约束可以集成到模型预测控制器中或嵌入数据驱动策略中，以缓解潜在风险。该方法使用 CARLA 模拟器进行测试，并与几种现有技术进行比较。理论和实证分析共同表明，所提出的方法在不过于保守且对暴露风险透明的情况下，能够在遮挡环境中实现实时控制的长期安全。
引用
@article{arxiv.2510.13114,
title = {Safe Driving in Occluded Environments},
author = {Zhuoyuan Wang and Tongyao Jia and Pharuj Rajborirug and Neeraj Ramesh and Hiroyuki Okuda and Tatsuya Suzuki and Soummya Kar and Yorie Nakahira},
journal= {arXiv preprint arXiv:2510.13114},
year = {2025}
}