Safe Autonomous Lane Changing: Planning with Dynamic Risk Fields and Time-Varying Convex Space Generation

📄 arXiv: 2511.22829v1 📥 PDF

作者: Zhen Tian, Zhihao Lin

分类: cs.RO, cs.HC

发布日期: 2025-11-28

💡 一句话要点

提出动态风险场与时变凸空间生成方法，实现安全自主的变道轨迹规划

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 轨迹规划 变道 风险感知 凸优化 最优控制 动态风险场

📋 核心要点

  1. 现有变道轨迹规划方法难以兼顾安全性、效率和舒适性，尤其是在动态交通环境中。
  2. 该论文提出动态风险场（DRF）和时变凸可行空间，结合约束iLQR优化，实现安全高效的变道。
  3. 仿真结果表明，该方法在变道距离、时间和舒适性方面优于传统方法，并在复杂环岛环境中表现出更强的适应性。

📝 摘要（中文）

本文提出了一种新的轨迹规划流程，用于解决自动驾驶变道等复杂驾驶场景。该方法将风险感知规划与有保障的避撞机制集成到一个统一的优化框架中。首先，构建动态风险场（DRF），捕捉来自周围车辆的静态和动态碰撞风险。然后，开发一种严格的策略，用于生成时变凸可行空间，确保运动学可行性和安全要求。轨迹规划问题被表述为一个有限时域最优控制问题，并使用约束迭代线性二次调节器（iLQR）算法求解，该算法联合优化轨迹平滑性、控制量和风险暴露，同时保持严格的可行性。大量仿真表明，该方法在安全性和效率方面优于传统方法，实现了无碰撞轨迹，变道距离更短（28.59米），时间更短（2.84秒），同时保持平稳舒适的加速度模式。在密集的环岛环境中，该规划器进一步展示了强大的适应性，与APF、MPC和基于RRT的基线相比，产生了更大的安全裕度、更低的加加速度和更优越的曲率平滑性。这些结果证实，集成的DRF与凸可行空间和约束iLQR求解器为动态和交互式交通场景中安全、高效和舒适的轨迹生成提供了一个平衡的解决方案。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在复杂动态交通环境中安全、高效、舒适地完成变道轨迹规划的问题。现有方法通常难以在安全性（避免碰撞）、效率（快速完成变道）和舒适性（平滑的加速度和加加速度）之间取得平衡，尤其是在周围车辆行为难以预测的情况下。

核心思路：论文的核心思路是将风险感知融入轨迹规划过程，并确保规划的轨迹始终位于安全可行的空间内。通过构建动态风险场（DRF）来量化周围车辆带来的碰撞风险，并利用时变凸可行空间来约束轨迹的搜索范围，保证运动学可行性和安全性。最终，通过优化算法在可行空间内找到最优轨迹。

技术框架：该轨迹规划流程主要包含以下几个阶段： 1. 动态风险场（DRF）构建：根据周围车辆的状态（位置、速度等）和预测轨迹，构建一个动态变化的风险场，用于评估潜在的碰撞风险。 2. 时变凸可行空间生成：基于车辆的运动学约束和安全要求，生成一个随时间变化的凸可行空间，确保规划的轨迹始终位于安全区域内。 3. 轨迹优化：将轨迹规划问题建模为一个有限时域最优控制问题，使用约束迭代线性二次调节器（iLQR）算法求解，优化目标包括轨迹平滑性、控制量和风险暴露。

关键创新：该论文的关键创新在于： 1. 动态风险场（DRF）：能够动态地评估周围车辆带来的碰撞风险，并将其融入轨迹规划过程。 2. 时变凸可行空间生成：能够保证规划的轨迹始终位于安全可行的空间内，避免碰撞。 3. 集成优化框架：将风险感知、可行性约束和轨迹优化集成到一个统一的框架中，实现安全、高效和舒适的轨迹规划。

关键设计： * 动态风险场（DRF）：风险场的值取决于车辆之间的距离、相对速度和预测轨迹的重叠程度。 * 时变凸可行空间：通过将车辆的运动学约束和安全要求转化为凸约束，生成一个随时间变化的凸多面体。 * 约束iLQR算法：使用迭代线性二次调节器（iLQR）算法求解最优控制问题，并通过约束条件保证轨迹的可行性。

📊 实验亮点

仿真结果表明，该方法在变道距离和时间上优于传统方法，实现了更短的变道距离（28.59米）和时间（2.84秒）。在密集的环岛环境中，该方法与APF、MPC和基于RRT的基线相比，产生了更大的安全裕度、更低的加加速度和更优越的曲率平滑性，验证了其在复杂动态环境中的适应性。

🎯 应用场景

该研究成果可应用于自动驾驶车辆的变道辅助系统、自动驾驶出租车、无人配送车等领域。通过提高变道过程的安全性、效率和舒适性，可以提升自动驾驶系统的用户体验和可靠性，加速自动驾驶技术的商业化落地。此外，该方法还可以扩展到其他复杂的驾驶场景，如高速公路匝道汇入、拥堵路段行驶等。

📄 摘要（原文）

This paper presents a novel trajectory planning pipeline for complex driving scenarios like autonomous lane changing, by integrating risk-aware planning with guaranteed collision avoidance into a unified optimization framework. We first construct a dynamic risk fields (DRF) that captures both the static and dynamic collision risks from surrounding vehicles. Then, we develop a rigorous strategy for generating time-varying convex feasible spaces that ensure kinematic feasibility and safety requirements. The trajectory planning problem is formulated as a finite-horizon optimal control problem and solved using a constrained iterative Linear Quadratic Regulator (iLQR) algorithm that jointly optimizes trajectory smoothness, control effort, and risk exposure while maintaining strict feasibility. Extensive simulations demonstrate that our method outperforms traditional approaches in terms of safety and efficiency, achieving collision-free trajectories with shorter lane-changing distances (28.59 m) and times (2.84 s) while maintaining smooth and comfortable acceleration patterns. In dense roundabout environments the planner further demonstrates robust adaptability, producing larger safety margins, lower jerk, and superior curvature smoothness compared with APF, MPC, and RRT based baselines. These results confirm that the integrated DRF with convex feasible space and constrained iLQR solver provides a balanced solution for safe, efficient, and comfortable trajectory generation in dynamic and interactive traffic scenarios.