Towards Safe Autonomous Driving: A Real-Time Safeguarding Concept for Motion Planning Algorithms
作者: Korbinian Moller, Rafael Neher, Marvin Seegert, Johannes Betz
分类: cs.RO
发布日期: 2025-07-10
备注: 7 pages, submitted to the IEEE ICVES 2025, Coventry, UK
🔗 代码/项目: GITHUB
💡 一句话要点
提出一种面向自动驾驶运动规划的实时安全保障概念，增加时间安全防护。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自动驾驶 运动规划 功能安全 实时保障 时间安全防护
📋 核心要点
- 现有运动规划安全保障方法主要关注几何和动力学可行性，忽略了时间一致性，可能导致系统响应延迟。
- 该论文提出一种新的安全保障概念，通过增加时间安全防护，实时监测规划输出的时间一致性，确保系统及时响应。
- 原型系统在实时操作系统上验证了该概念，初步结果表明安全保障模块能在实时约束下运行，并有效检测不安全轨迹。
📝 摘要（中文）
确保自动驾驶车辆运动规划模块的功能安全仍然是一个关键挑战，尤其是在处理复杂或基于学习的软件时。在线验证已成为一种有前途的方法，可以在运行时监控此类系统，但其集成到嵌入式实时环境中仍然有限。本文提出了一种运动规划的安全保障概念，通过引入时间安全防护来扩展先前的方法。虽然现有方法侧重于几何和动态可行性，但我们的方法还监测规划输出的时间一致性，以确保及时的系统响应。在实时操作系统上的原型实现使用基于约束的可行性检查和基于成本的合理性指标来评估轨迹候选。初步结果表明，安全保障模块在实时范围内运行，并有效地检测不安全的轨迹。然而，时间安全防护逻辑和回退策略的完全集成正在进行中。这项研究贡献了一个用于运行时轨迹验证的模块化和可扩展的框架，并强调了在汽车级硬件上部署的关键方面。未来的工作包括完成安全保障逻辑，并通过硬件在环仿真和基于车辆的测试来验证其有效性。代码可在以下网址获得：https://github.com/TUM-AVS/motion-planning-supervisor
🔬 方法详解
问题定义：自动驾驶运动规划模块的安全性至关重要，尤其是在面对复杂环境和学习型算法时。现有方法主要关注轨迹的几何可行性和动力学可行性，忽略了时间因素，即规划的轨迹是否能在规定的时间内完成，这可能导致车辆反应迟缓，增加安全风险。因此，需要一种能够实时监测轨迹时间一致性的安全保障机制。
核心思路：该论文的核心思路是在现有的运动规划安全保障框架中引入“时间安全防护”的概念。除了验证轨迹的几何和动力学可行性外，还实时监测轨迹的时间一致性，确保规划的轨迹能够在规定的时间内安全执行。如果检测到时间不一致，则触发回退策略，保证车辆安全。
技术框架：该安全保障框架包含以下主要模块：轨迹候选生成模块（从运动规划器接收轨迹候选）、约束检查模块（验证轨迹的几何和动力学可行性）、时间安全防护模块（验证轨迹的时间一致性）、合理性评估模块（基于成本函数评估轨迹的合理性）和回退策略模块（在检测到不安全轨迹时触发）。整体流程是：运动规划器生成轨迹候选，安全保障模块依次进行约束检查、时间安全防护和合理性评估，如果所有检查都通过，则执行该轨迹；否则，触发回退策略。
关键创新：该论文最重要的技术创新点是引入了时间安全防护的概念，将时间因素纳入运动规划的安全保障体系中。与现有方法相比，该方法不仅关注轨迹的空间可行性，还关注其时间可行性，从而提高了自动驾驶系统的安全性。
关键设计：时间安全防护模块的关键设计在于如何定义和验证时间一致性。论文中可能采用了诸如：1）设定轨迹执行时间上限；2）实时监测车辆速度和加速度，并与规划轨迹进行比较；3）使用模型预测控制等方法预测未来状态，并评估时间一致性等技术细节。具体实现细节需要在论文正文中查找。
🖼️ 关键图片
📊 实验亮点
初步实验结果表明，该安全保障模块能够在实时约束下运行，并有效地检测不安全的轨迹。虽然论文中没有提供具体的性能数据，但强调了该模块在实时操作系统上的可行性，并验证了其检测不安全轨迹的能力。未来的工作将集中在完善时间安全防护逻辑和回退策略，并通过硬件在环仿真和车辆测试来验证其有效性。
🎯 应用场景
该研究成果可应用于各种自动驾驶场景，例如城市道路、高速公路和停车场等。通过实时监测运动规划轨迹的时间一致性，可以有效提高自动驾驶系统的安全性，降低事故风险。此外，该方法还可以应用于机器人导航、无人机飞行等领域，提高这些系统的自主性和可靠性。
📄 摘要（原文）
Ensuring the functional safety of motion planning modules in autonomous vehicles remains a critical challenge, especially when dealing with complex or learning-based software. Online verification has emerged as a promising approach to monitor such systems at runtime, yet its integration into embedded real-time environments remains limited. This work presents a safeguarding concept for motion planning that extends prior approaches by introducing a time safeguard. While existing methods focus on geometric and dynamic feasibility, our approach additionally monitors the temporal consistency of planning outputs to ensure timely system response. A prototypical implementation on a real-time operating system evaluates trajectory candidates using constraint-based feasibility checks and cost-based plausibility metrics. Preliminary results show that the safeguarding module operates within real-time bounds and effectively detects unsafe trajectories. However, the full integration of the time safeguard logic and fallback strategies is ongoing. This study contributes a modular and extensible framework for runtime trajectory verification and highlights key aspects for deployment on automotive-grade hardware. Future work includes completing the safeguarding logic and validating its effectiveness through hardware-in-the-loop simulations and vehicle-based testing. The code is available at: https://github.com/TUM-AVS/motion-planning-supervisor