安全强化模型预测控制（SRMPC）：用于自动驾驶运动规划的改进 MPC
机器人学
2025-12-04 v1
摘要
模型预测控制（MPC）在自动驾驶中广泛用于运动规划。规划器的实时性要求 necessitates 使用最优控制问题（OCPs）的凸度 approximation。然而，这些 approximation 将解限制在子空间内，可能不包含全局最优解。为此，我们提出使用安全强化学习（SRL）获取 MPC 内的新型安全参考轨迹。通过采用基于学习的方法，MPC 可以探索前一解的远离邻域的解， potentially 找到全局最优解。我们采用受约束强化学习（CRL）确保自动驾驶中的安全性， 使用基于手工制作能量函数的安全指数作为约束目标来建模安全与不安全区域。我们的 approach 使用状态依赖的拉格朗日乘子， 与安全策略一起学习，用于解 CRL 问题。通过在高速公路情景中的实验，我们展示了该 approach 在安全性和绩效度量方面优于 MPC 和 SRL。
引用
@article{arxiv.2512.03774,
title = {Safety Reinforced Model Predictive Control (SRMPC): Improving MPC with Reinforcement Learning for Motion Planning in Autonomous Driving},
author = {Johannes Fischer and Marlon Steiner and Ömer Sahin Tas and Christoph Stiller},
journal= {arXiv preprint arXiv:2512.03774},
year = {2025}
}