Agile Decision-Making and Safety-Critical Motion Planning for Emergency Autonomous Vehicles
作者: Yiming Shu, Jingyuan Zhou, Fu Zhang
分类: cs.RO, eess.SY
发布日期: 2024-09-13 (更新: 2025-06-02)
💡 一句话要点
针对紧急自主车辆，提出集成敏捷决策与安全关键运动规划系统IDEAM
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主驾驶 紧急车辆 运动规划 决策算法 控制障碍函数 模型预测控制 安全性 敏捷决策
📋 核心要点
- 现有自主驾驶方法主要关注常规车辆，忽略了紧急车辆在效率和安全方面的独特需求。
- IDEAM系统通过速度中心决策、环境条件重估和安全关键运动规划，使紧急车辆在复杂交通中更高效安全。
- 实验结果表明，该系统能够在保证安全的同时，显著提升紧急车辆的速度和通行效率。
📝 摘要（中文）
本文提出了一种集成的敏捷决策与主动安全关键运动规划系统（IDEAM），专注于使救护车等紧急自主车辆能够在密集交通场景中主动提高效率并确保安全。首先，提出了一种以速度为中心的决策算法，即长短期时空图中心决策（LSGM）。LSGM包括用于生成多条路径的条件深度优先搜索（C-DFS），以及用于路径选择的速度增益和风险评估方法，从而提供了一种兼顾高效率和安全性的鲁棒算法。其次，对于LSGM输出的路径，运动规划器会重新考虑环境条件，以确定最终规划阶段的约束状态，其中车道探测状态旨在主动获得空间和速度优势。第三，在基于Frenet的MPC框架下，结合最终约束状态和选定路径，安全关键运动规划器采用解耦离散控制障碍函数（DCBFs）和线性化离散时间高阶控制障碍函数（DHOCBFs）来建模与不同驾驶行为相关的约束，使最优优化问题凸化。最后，我们使用来自随机合成数据集的场景对我们的系统进行了广泛的验证，证明了其能够同时实现速度优势并确保安全。
🔬 方法详解
问题定义：论文旨在解决紧急自主车辆（如救护车）在复杂交通环境中，如何在保证安全的前提下，最大化通行效率的问题。现有方法主要针对普通车辆，缺乏对紧急车辆特殊需求的考虑，例如主动变道超车以争取时间等。
核心思路：论文的核心思路是集成敏捷决策与安全关键运动规划，通过速度中心决策算法快速生成候选路径，并结合环境信息进行约束状态调整，最后利用控制障碍函数确保运动规划的安全性。核心在于主动获取空间和速度优势，同时避免碰撞风险。
技术框架：IDEAM系统主要包含三个模块：1) 长短期时空图中心决策（LSGM）：用于生成多条候选路径，并根据速度增益和风险评估选择最优路径。2) 运动规划器：根据LSGM输出的路径和环境信息，确定最终规划阶段的约束状态，包括车道探测状态。3) 安全关键运动规划器：基于Frenet坐标系下的MPC框架，利用解耦离散控制障碍函数（DCBFs）和线性化离散时间高阶控制障碍函数（DHOCBFs）进行安全约束。
关键创新：论文的关键创新在于：1) 提出了速度中心决策算法LSGM，能够快速生成并评估候选路径，提高决策效率。2) 设计了车道探测状态，允许车辆主动变道以获取空间和速度优势。3) 采用了解耦离散控制障碍函数（DCBFs）和线性化离散时间高阶控制障碍函数（DHOCBFs）来建模安全约束，保证运动规划的安全性。
关键设计：LSGM算法中，条件深度优先搜索（C-DFS）用于生成多条路径，速度增益和风险评估函数用于路径选择。运动规划器中，车道探测状态的激活条件需要根据具体场景进行调整。安全关键运动规划器中，DCBFs和DHOCBFs的参数需要根据车辆动力学特性和环境约束进行调整，以保证安全性和优化性能。
🖼️ 关键图片
📊 实验亮点
论文通过随机合成数据集进行了大量实验验证，结果表明所提出的IDEAM系统能够在保证安全的同时，显著提升紧急车辆的速度和通行效率。具体的性能数据（如平均速度提升百分比、碰撞率降低百分比等）在论文中进行了详细展示，并与现有方法进行了对比。
🎯 应用场景
该研究成果可应用于救护车、消防车等紧急车辆的自主驾驶系统，提高紧急情况下的响应速度和救援效率。此外，该方法也可推广到其他需要高效率和高安全性的自主驾驶场景，例如物流配送、自动驾驶出租车等，具有重要的实际应用价值和广阔的发展前景。
📄 摘要（原文）
Efficiency is critical for autonomous vehicles (AVs), especially for emergency AVs. However, most existing methods focus on regular vehicles, overlooking the distinct strategies required by emergency vehicles to address the challenge of maximizing efficiency while ensuring safety. In this paper, we propose an Integrated Agile Decision-Making with Active and Safety-Critical Motion Planning System (IDEAM). IDEAM focuses on enabling emergency AVs, such as ambulances, to actively attain efficiency in dense traffic scenarios with safety in mind. Firstly, the speed-centric decision-making algorithm named the long short-term spatio-temporal graph-centric decision-making (LSGM) is given. LSGM comprises conditional depth-first search (C-DFS) for multiple paths generation as well as methods for speed gains and risk evaluation for path selection, which presents a robust algorithm for high efficiency and safety consideration. Secondly, with an output path from LSGM, the motion planner reconsiders environmental conditions to decide constraints states for the final planning stage, among which the lane-probing state is designed for actively attaining spatial and speed advantage. Thirdly, under the Frenet-based model predictive control (MPC) framework with final constraints state and selected path, the safety-critical motion planner employs decoupled discrete control barrier functions (DCBFs) and linearized discrete-time high-order control barrier functions (DHOCBFs) to model the constraints associated with different driving behaviors, making the optimal optimization problem convex. Finally, we extensively validate our system using scenarios from a randomly synthetic dataset, demonstrating its capability to achieve speed benefits and assure safety simultaneously.