MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation
作者: Shih-Yu Lai
分类: cs.RO, cs.AI, cs.MA, eess.SY
发布日期: 2026-05-08
💡 一句话要点
提出MORPH-U框架，通过多目标优化与拜占庭容错机制解决V2X高不确定性环境下的自动驾驶运动规划问题。
🎯 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 车路协同 多目标优化 拜占庭容错 传感器融合 局部动态地图
📋 核心要点
- 核心问题：V2X通信存在延迟、丢包及恶意篡改风险，且动态环境下的地图更新对实时重规划提出了严苛挑战。
- 方法要点：构建融合多传感器与V2X的局部动态地图，通过多目标帕累托优化平衡性能，并引入拜占庭式门控过滤虚假信息。
- 实验效果：在CARLA仿真中验证了该系统在面对高强度虚假攻击时仍能保持鲁棒性，并实现了安全与舒适度的可控权衡。
📝 摘要（中文）
V2X技术虽能预警视距外危险，但也引入了消息延迟、丢失甚至伪造等不确定性。同时，地图信息的动态变化迫使车辆需在严格的实时预算下进行重规划。本文提出了MORPH-U，这是一个基于CARLA的闭环系统，它将激光雷达、雷达、摄像头与V2X（CAM/DENM）数据融合至局部动态地图（LDM）中，并在验证后的危险或地图变更影响规划路径时触发Hybrid-A*重规划。通过对跟踪误差、安全裕度（最小TTC）、响应速度和平滑度进行多目标建模，利用帕累托前沿分析选择最优操作点。为防止错误V2X触发导致的非安全重规划，MORPH-U引入了结合法定人数规则与车载传感器否决机制的轻量级拜占庭式接受门控。实验表明，V2X增强的LDM提升了安全性，帕累托调优实现了精度与舒适度的平衡，且该门控在面对饱和虚假DENM注入攻击时仍能有效防止重规划。
🔬 方法详解
问题定义：论文旨在解决自动驾驶在依赖V2X通信时面临的“信任危机”与“实时性挑战”。现有方法往往假设V2X信息是可信且即时的，但在实际场景中，恶意攻击（如虚假DENM注入）或网络波动会导致系统频繁触发不必要的重规划，进而引发安全隐患。
核心思路：MORPH-U的核心在于“验证与权衡”。通过将V2X数据与车载传感器进行交叉验证，确保输入信息的可靠性；同时，将运动规划建模为多目标优化问题，通过帕累托前沿分析，在安全性、舒适度与响应速度之间寻找最优解。
技术框架：系统架构包含三个核心模块：一是数据融合层，将多模态感知与V2X消息整合至LDM；二是决策层，基于Hybrid-A*算法进行路径规划；三是安全门控层，利用拜占庭容错机制过滤异常触发信号，确保重规划请求的合法性。
关键创新：引入了受拜占庭容错启发的“接受门控（Acceptance Gate）”，该机制结合了法定人数投票与车载传感器实时否决，有效解决了V2X数据源不可信的问题，这是该研究区别于传统规划算法的核心贡献。
关键设计：系统定义了包含跟踪误差、最小TTC（碰撞时间）、响应延迟及轨迹平滑度的多目标函数。通过帕累托前沿分析，系统能够根据当前交通环境动态调整权重，从而在极端安全需求与日常驾驶舒适度之间实现自适应切换。
🖼️ 关键图片
📊 实验亮点
实验在CARLA仿真平台进行，结果显示：引入V2X增强的LDM显著提升了车辆对视距外危险的响应能力；帕累托调优机制实现了精度与舒适度的灵活配置；在面对饱和虚假DENM注入攻击（攻击概率p=1.0）时，该门控机制成功过滤了所有恶意触发，确保了车辆行驶的稳定性。
🎯 应用场景
该研究适用于车路协同（V2X）环境下的自动驾驶系统，特别是在城市复杂路口、高速公路合流区等高风险场景。其拜占庭容错机制为自动驾驶在开放网络环境下的安全性提供了关键保障，具有极高的工业应用价值。
📄 摘要（原文）
V2X can warn an autonomous vehicle about hazards beyond line-of-sight, but it also brings uncertainty: messages may be delayed, dropped, or even forged. Meanwhile, map knowledge may change during a trip, forcing the vehicle to replan under tight real-time budgets. This paper studies how to make motion planning and low-level control robust to such uncertain, event-driven updates. We present MORPH-U, a CARLA-based closed-loop stack that fuses LiDAR/radar/camera with V2X (CAM/DENM) into a Local Dynamic Map (LDM) and triggers Hybrid-A* replanning when validated hazards or map changes affect the planned route. We expose the planning/control trade-offs via a multi-objective formulation over tracking error, safety margin (minimum TTC), responsiveness, and smoothness, and select operating points using Pareto-frontier analysis. To avoid unsafe replanning from faulty V2X triggers, MORPH-U adds a lightweight Byzantine-inspired acceptance gate that combines a quorum rule with an on-board sensor veto. Experiments in dynamic CARLA scenarios show that V2X-augmented LDM improves downstream safety, Pareto tuning provides controllable accuracy-comfort trade-offs, and the gate prevents replanning under saturated false-DENM injection ($p_{\text{attack}}=1.0$).