无人驾驶交叉口自动驾驶车辆的不确定性感知安全关键决策与控制
机器人学
2025-07-15 v2
摘要
强化学习（RL）在自动驾驶（AD）决策任务中展现出了潜力。然而，将 RL 应用于城市 AD，特别是在交叉口场景中，仍面临重大挑战。缺乏安全约束使得 RL 容易受到风险的影响。此外，认知局限性和环境随机性可能导致在安全关键场景中做出不可靠的决策。因此，量化对 RL 决策的置信度以提高安全性至关重要。本文提出了一种不确定性感知安全关键决策与控制（USDC）框架，该框架通过构建风险感知集成分布式 RL 来生成风险规避策略，同时估计不确定性以量化策略的可靠性。随后，采用高阶控制障碍函数（HOCBF）作为安全滤波器，以最小化干预策略，同时基于不确定性动态增强约束。集成评论家同时评估 HOCBF 和 RL 策略，嵌入不确定性以实现安全策略与灵活策略之间的动态切换，从而平衡安全性与效率。在多个任务的无信号交叉口上的仿真测试表明，与基线相比，USDC 能够在保持交通效率的同时提高安全性。
引用
@article{arxiv.2505.19939,
title = {Uncertainty-Aware Safety-Critical Decision and Control for Autonomous Vehicles at Unsignalized Intersections},
author = {Ran Yu and Zhuoren Li and Lu Xiong and Wei Han and Bo Leng},
journal= {arXiv preprint arXiv:2505.19939},
year = {2025}
}
备注
7 pages, 4 figures