基于 Hamilton-Jacobi 可达性的安全关键人机共享驾驶防碰撞

道路安全仍是全球亟待解决的议题，车辆碰撞造成了巨大的人力、社会和经济负担。人机共享碰撞避免在关键碰撞情境下旨在通过仅在必要时干预来帮助驾驶员避免事故。现有方法依赖重新规划无碰撞轨迹并实施人机跟踪，通常会中断驾驶员的意图并增加冲突风险。本文引入基于 Hamilton-Jacobi (HJ) 可达性分析的可达性感知强化学习 (RL) 框架用于共享控制。机器干预仅在车辆接近碰撞避免可达集 (Collision Avoidance Reachable Set, CARS) 时激活，该集合代表不可避免碰撞的状态。首先，我们通过求解贝尔曼方程使用离线数据预计算可达分布和 CARS。为减少人机冲突，我们开发针对突发障碍物的驾驶员模型，并提出考虑关键碰撞避免特征的权威分配策略。最后，我们训练 RL 智能体以减少人机冲突，同时确保避免进入 CARS 的硬约束。该方法在真实车辆平台上进行测试。结果表明，该控制器在靠近 CARS 时有效干预，防止碰撞，同时保持 improved 的原始驾驶任务性能。鲁棒性分析进一步支持其在不同驾驶员属性下的灵活性。