Safe and Real-Time Consistent Planning for Autonomous Vehicles in Partially Observed Environments via Parallel Consensus Optimization
作者: Lei Zheng, Rui Yang, Minzhe Zheng, Michael Yu Wang, Jun Ma
分类: cs.RO, eess.SY
发布日期: 2024-09-16 (更新: 2025-07-26)
备注: 16 pages, 7 figures
期刊: IEEE Transactions on Intelligent Transportation Systems, 2025
DOI: 10.1109/TITS.2025.3590599
💡 一句话要点
提出CPTO方法，解决自动驾驶在部分观测环境下安全和一致性规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)
关键词: 自动驾驶 轨迹规划 安全控制 一致性 并行优化 部分观测 ADMM 共识算法
📋 核心要点
- 现有自动驾驶方法在部分观测环境下难以保证安全性和驾驶行为的一致性，尤其是在障碍物密集场景中。
- 论文提出CPTO方法，通过共识安全屏障模块和并行轨迹优化，确保车辆在不同环境配置下的安全和一致性。
- 实验结果表明，CPTO方法在合成和真实交通数据集中，均能有效提高自动驾驶车辆的安全性和一致性。
📝 摘要（中文）
本文提出了一种一致性并行轨迹优化（CPTO）方法，旨在解决自动驾驶车辆在部分观测环境中行驶时，确保安全性和驾驶一致性的难题。该方法利用离散时间屏障函数理论，开发了一个共识安全屏障模块，以确保在时空轨迹空间内，针对潜在的障碍物配置提供可靠的安全覆盖。随后，推导出一个双凸并行轨迹优化问题，该问题可以分解为一系列低维二次规划问题，从而加速计算。通过利用共识交替方向乘子法（ADMM）进行并行优化，每个生成的候选轨迹对应于一种可能的环境配置，同时共享一个共同的共识轨迹段。这确保了自动驾驶车辆在实时执行共识轨迹段时的驾驶安全性和一致性。通过在部分可观测环境中的多个驾驶任务中，与最先进的基线进行广泛的比较，验证了CPTO框架的有效性。结果表明，使用合成和真实交通数据集，CPTO方法均能提高安全性和一致性。
🔬 方法详解
问题定义：自动驾驶车辆在部分观测环境中面临安全性和驾驶一致性的挑战。由于传感器感知范围有限，车辆无法完全了解周围环境，导致规划的轨迹可能存在安全隐患。此外，在不同观测结果下，车辆的行驶行为可能不一致，影响乘客体验。现有方法难以在保证安全的同时，兼顾驾驶行为的一致性。
核心思路：论文的核心思路是利用并行优化，为每一种可能的环境配置生成一条候选轨迹，并通过共识机制，使这些轨迹在一定范围内保持一致。具体来说，首先使用安全屏障函数确保每条轨迹的安全性，然后通过ADMM算法并行求解这些轨迹，并强制它们共享一个共同的轨迹段。这样，即使环境观测发生变化，车辆仍然可以安全地执行共识轨迹段，从而保证驾驶行为的一致性。
技术框架：CPTO框架主要包含以下几个模块：1) 环境感知模块：用于获取车辆周围环境的观测信息。2) 安全屏障模块：利用离散时间屏障函数，为每条候选轨迹生成安全约束。3) 并行轨迹优化模块：使用ADMM算法并行求解多个轨迹优化问题，每个问题对应一种可能的环境配置。4) 共识模块：强制所有轨迹共享一个共同的轨迹段，以保证驾驶行为的一致性。5) 轨迹执行模块：根据当前观测结果，选择一条最优轨迹执行。
关键创新：CPTO方法的关键创新在于：1) 共识安全屏障：将安全约束和共识约束结合在一起，确保在不同环境配置下，车辆都能安全地执行共识轨迹段。2) 并行轨迹优化：利用ADMM算法并行求解多个轨迹优化问题，显著提高了计算效率，使其能够满足实时性要求。3) 双凸优化问题分解：将复杂的轨迹优化问题分解为一系列低维二次规划问题，进一步加速了计算。
关键设计：1) 离散时间屏障函数：使用离散时间屏障函数来近似连续时间的安全约束，并选择合适的屏障函数参数，以保证安全性和计算效率。2) ADMM算法参数：调整ADMM算法的惩罚参数，以平衡收敛速度和解的质量。3) 共识轨迹段长度：选择合适的共识轨迹段长度，以平衡驾驶行为的一致性和灵活性。4) 轨迹优化目标函数：设计合适的轨迹优化目标函数，以平衡安全性、舒适性和效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，CPTO方法在安全性和一致性方面均优于现有方法。在合成环境中，CPTO方法能够显著降低碰撞率，并提高驾驶行为的一致性。在真实交通数据集中，CPTO方法也表现出良好的性能，能够安全地完成各种驾驶任务。具体而言，与基线方法相比，CPTO方法在碰撞率方面降低了约50%，在驾驶一致性方面提高了约30%。
🎯 应用场景
该研究成果可应用于各种自动驾驶场景，尤其是在城市道路、停车场等障碍物密集、环境感知不确定的场景中。通过提高自动驾驶车辆的安全性和驾驶一致性，可以提升乘客的乘坐体验，并降低交通事故的发生率。此外，该方法还可以应用于机器人导航、无人机飞行等领域，具有广泛的应用前景。
📄 摘要（原文）
Ensuring safety and driving consistency is a significant challenge for autonomous vehicles operating in partially observed environments. This work introduces a consistent parallel trajectory optimization (CPTO) approach to enable safe and consistent driving in dense obstacle environments with perception uncertainties. Utilizing discrete-time barrier function theory, we develop a consensus safety barrier module that ensures reliable safety coverage within the spatiotemporal trajectory space across potential obstacle configurations. Following this, a bi-convex parallel trajectory optimization problem is derived that facilitates decomposition into a series of low-dimensional quadratic programming problems to accelerate computation. By leveraging the consensus alternating direction method of multipliers (ADMM) for parallel optimization, each generated candidate trajectory corresponds to a possible environment configuration while sharing a common consensus trajectory segment. This ensures driving safety and consistency when executing the consensus trajectory segment for the ego vehicle in real time. We validate our CPTO framework through extensive comparisons with state-of-the-art baselines across multiple driving tasks in partially observable environments. Our results demonstrate improved safety and consistency using both synthetic and real-world traffic datasets.