Uncertainty-Aware Decision-Making and Planning for Autonomous Forced Merging
作者: Jian Zhou, Yulong Gao, Björn Olofsson, Erik Frisk
分类: cs.RO, eess.SY
发布日期: 2024-10-27
备注: Accepted by the 63rd IEEE Conference on Decision and Control, 2024
💡 一句话要点
提出一种考虑车辆运动不确定性的自主强制并道决策与规划方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主并道 运动规划 不确定性建模 车辆行为预测 决策算法
📋 核心要点
- 现有方法在强制并道场景中，难以有效应对周围车辆运动的不确定性，导致决策和规划的鲁棒性不足。
- 该方法通过在线估计周围车辆的加速度边界来动态捕捉其运动不确定性，并预测其非保守前向占用空间。
- 实验结果表明，该方法在具有挑战性的强制并道场景中表现良好，并优于其他替代方法。
📝 摘要（中文）
本文针对自主车辆在强制并道场景中的决策与运动规划问题，提出了一种考虑周围车辆运动不确定性的方法。该方法通过在线估计周围车辆的加速度边界，动态捕捉其运动不确定性，从而快速反应并理解周围车辆的不确定性特征。利用这些估计的边界，预测周围车辆在一段时间内的非保守前向占用空间，并将其纳入决策过程和运动规划策略中，以增强规划参考轨迹的鲁棒性和安全性。该方法成功地完成了具有挑战性的强制并道场景中的任务，并通过与几种替代方法的比较说明了其性能。
🔬 方法详解
问题定义：论文旨在解决自主车辆在强制并道场景中，由于周围车辆运动不确定性带来的决策和规划难题。现有方法通常难以准确预测周围车辆的行为，导致规划的轨迹可能存在碰撞风险或过于保守，影响通行效率。
核心思路：论文的核心思路是通过在线估计周围车辆的加速度边界，来量化其运动不确定性。然后，基于这些不确定性信息，预测周围车辆在未来一段时间内的非保守占用空间。将这些占用空间信息融入到决策和规划过程中，从而提高自主车辆在不确定环境下的安全性和鲁棒性。
技术框架：该方法主要包含以下几个模块：1) 车辆状态估计：估计周围车辆的当前状态（位置、速度等）。2) 加速度边界估计：在线估计周围车辆的加速度上限和下限，量化其运动不确定性。3) 前向占用空间预测：基于加速度边界，预测周围车辆在未来一段时间内的非保守占用空间。4) 决策：根据预测的占用空间，选择合适的并道策略。5) 运动规划：生成安全、高效的参考轨迹，并考虑周围车辆的运动不确定性。
关键创新：该方法最重要的创新点在于能够动态、在线地估计周围车辆的加速度边界，从而量化其运动不确定性。与传统的基于固定模型或历史数据的预测方法相比，该方法能够更快速、更准确地捕捉周围车辆的运动意图，并做出相应的调整。
关键设计：加速度边界的估计可能采用卡尔曼滤波或粒子滤波等方法，利用车辆的历史运动数据和传感器信息进行估计。前向占用空间的预测需要考虑加速度边界的不确定性，可以使用蒙特卡洛模拟等方法生成多个可能的轨迹，并计算其占用空间的概率分布。决策过程可以采用基于规则的方法或强化学习方法，根据预测的占用空间和交通规则选择合适的并道策略。运动规划可以采用优化方法，例如二次规划或模型预测控制，生成安全、高效的参考轨迹。
🖼️ 关键图片
📊 实验亮点
论文通过仿真实验验证了所提出方法的有效性。实验结果表明，与传统的基于固定模型的方法相比，该方法能够更安全、更高效地完成强制并道任务。具体性能提升数据未知，但论文强调了在具有挑战性的场景下，该方法能够成功完成任务，并优于其他替代方法。
🎯 应用场景
该研究成果可应用于自动驾驶车辆在复杂交通环境中的安全决策与规划，尤其是在高速公路匝道、城市拥堵路段等强制并道场景。通过提高自主车辆在不确定环境下的鲁棒性和安全性，可以减少交通事故，提高交通效率，并为实现更高级别的自动驾驶提供技术支撑。
📄 摘要（原文）
In this paper, we develop an uncertainty-aware decision-making and motion-planning method for an autonomous ego vehicle in forced merging scenarios, considering the motion uncertainty of surrounding vehicles. The method dynamically captures the uncertainty of surrounding vehicles by online estimation of their acceleration bounds, enabling a reactive but rapid understanding of the uncertainty characteristics of the surrounding vehicles. By leveraging these estimated bounds, a non-conservative forward occupancy of surrounding vehicles is predicted over a horizon, which is incorporated in both the decision-making process and the motion-planning strategy, to enhance the resilience and safety of the planned reference trajectory. The method successfully fulfills the tasks in challenging forced merging scenarios, and the properties are illustrated by comparison with several alternative approaches.