Heterogeneous Predictor-based Risk-Aware Planning with Conformal Prediction in Dense, Uncertain Environments

📄 arXiv: 2507.11920v2 📥 PDF

作者: Jeongyong Yang, KwangBin Lee, SooJean Han

分类: cs.RO, eess.SY

发布日期: 2025-07-16 (更新: 2025-10-01)

💡 一句话要点

提出基于异构预测器和风险感知的规划框架H-PRAP，解决密集不确定环境下的实时规划问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 风险感知规划 异构预测器 共形预测 模型预测控制 动态环境

📋 核心要点

  1. 现有方法难以兼顾预测精度和计算效率，导致在复杂动态环境中实时规划面临挑战。
  2. H-PRAP通过概率碰撞风险指数P-CRI，动态分配不同复杂度的预测器，实现计算资源的有效利用。
  3. 实验表明，H-PRAP在保证轨迹安全性的同时，显著提升了轨迹效率，优于单一预测架构。

📝 摘要（中文）

本文提出了一种异构预测器风险感知规划（H-PRAP）框架，用于解决在密集、不确定环境中进行实时规划的挑战。该框架通过概率碰撞风险指数（P-CRI）来评估风险，P-CRI是一个闭式、horizon-level的碰撞指标，通过共形预测校准高斯代理模型获得。P-CRI驱动一个路由器，将高风险障碍物分配给精确但计算量大的预测器，而将低风险障碍物分配给轻量级预测器。通过共形预测，H-PRAP在异构预测器之间保持了分布无关的覆盖率。所选预测及其共形半径被嵌入到机会约束模型预测控制（MPC）问题中，从而产生具有显式安全裕度的后退horizon策略。论文分析了预测计算预算下的安全-效率权衡。在密集的、不确定的环境中进行的大量数值模拟验证了H-PRAP在轨迹成功率（即无碰撞）和到达目标的时间（即轨迹效率）之间实现了最佳平衡，优于单一预测架构。

🔬 方法详解

问题定义：在密集、不确定的动态环境中，机器人需要在有限的计算资源下进行实时规划，同时避免与障碍物发生碰撞。现有方法要么对所有障碍物使用高精度预测器，导致计算负担过重；要么使用低精度预测器，无法保证安全性。因此，如何在计算资源有限的情况下，平衡预测精度和计算效率，是需要解决的关键问题。

核心思路：H-PRAP的核心思路是根据障碍物的碰撞风险，动态地分配不同复杂度的预测器。对于高风险的障碍物，使用高精度但计算量大的预测器；对于低风险的障碍物，使用低精度但计算量小的预测器。通过这种方式，可以在有限的计算资源下，最大化预测精度，从而提高规划的安全性和效率。

技术框架：H-PRAP框架主要包含以下几个模块：1) 概率碰撞风险指数（P-CRI）计算：使用高斯代理模型和共形预测来估计每个障碍物的碰撞风险。2) 预测器路由：根据P-CRI，将障碍物分配给不同的预测器。3) 异构预测：使用不同的预测器对障碍物进行预测。4) 机会约束模型预测控制（MPC）：将预测结果和共形半径嵌入到MPC问题中，生成安全且高效的轨迹。

关键创新：H-PRAP的关键创新在于：1) 概率碰撞风险指数（P-CRI）：P-CRI提供了一种闭式、horizon-level的碰撞风险评估方法，可以快速有效地评估障碍物的风险。2) 异构预测器路由：根据风险动态分配预测器，实现了计算资源的有效利用。3) 共形预测：通过共形预测，保证了在异构预测器之间分布无关的覆盖率，提高了安全性。

关键设计：P-CRI的计算依赖于高斯代理模型的参数和共形预测的置信水平。预测器路由的策略需要根据实际环境进行调整，以平衡预测精度和计算效率。MPC问题中的机会约束需要根据所需的安全性水平进行设置。共形预测的半径大小会影响MPC的可行域和轨迹效率，需要在安全性和效率之间进行权衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，H-PRAP在轨迹成功率和到达目标的时间之间取得了最佳平衡，优于单一预测架构。具体来说，H-PRAP在保证高轨迹成功率的同时，显著降低了到达目标的时间，表明其在安全性和效率方面都具有优势。论文通过大量的数值模拟验证了H-PRAP的有效性。

🎯 应用场景

H-PRAP可应用于各种需要在复杂动态环境中进行实时规划的场景，例如自动驾驶、机器人导航、无人机避障等。该框架能够提高机器人在不确定环境中的安全性和效率，使其能够更好地适应真实世界的挑战。未来的研究可以探索将H-PRAP扩展到更复杂的环境和任务中，例如多智能体协作、动态环境建模等。

📄 摘要（原文）

Real-time planning among many uncertain, dynamic obstacles is challenging because predicting every agent with high fidelity is both unnecessary and computationally expensive. We present Heterogeneous Predictor-based Risk-Aware Planning (H-PRAP), a framework that allocates prediction effort to where it matters. H-PRAP introduces the Probability-based Collision Risk Index (P-CRI), a closed-form, horizon-level collision index obtained by calibrating a Gaussian surrogate with conformal prediction. P-CRI drives a router that assigns high-risk obstacles to accurate but expensive predictors and low-risk obstacles to lightweight predictors, while preserving distribution-free coverage across heterogeneous predictors through conformal prediction. The selected predictions and their conformal radii are embedded in a chance-constrained model predictive control (MPC) problem, yielding receding-horizon policies with explicit safety margins. We analyze the safety-efficiency trade-off under prediction compute budget: more portion of low-fidelity predictions reduce residual risk from dropped obstacles, but in the same time induces larger conformal radii and degrades trajectory efficiency and shrinks MPC feasibility. Extensive numerical simulations in dense, uncertain environments validate that H-PRAP attains best balance between trajectory success rate (i.e., no collisions) and the time to reach the goal (i.e., trajectory efficiency) compared to single prediction architectures.