Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
作者: Zekun Xing, Ramkrishna Chaudhari, Marion Leibold, Dirk Wollherr, Martin Buss
分类: cs.RO
发布日期: 2026-05-21
备注: This work has been accepted for presentation at IFAC World Congress 2026
💡 一句话要点
提出基于分支随机模型预测控制的运动规划方法，解决自动驾驶中多模态不确定性问题。
🎯 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 模型预测控制 多模态不确定性 随机控制 场景聚类 分支结构 意图预测
📋 核心要点
- 自动驾驶运动规划面临周围车辆意图和轨迹的多模态不确定性，传统方法要么过于保守，要么无法有效处理意图不确定性。
- 论文提出结合SMPC和分支结构，为不同意图生成不同轨迹，并采用场景聚类和自适应分支时间计算来保证实时性。
- 仿真结果表明，该方法在复杂高速场景中提高了安全性，降低了保守性，并实现了实时计算性能。
📝 摘要（中文）
本文提出了一种新颖的结合随机模型预测控制（SMPC）和分支结构的运动规划方法，用于解决自动驾驶中周围车辆意图和轨迹的多模态不确定性问题。该方法能够为不同的可能意图生成不同的轨迹，同时保证轨迹不确定性下的安全性。提出了一种新的场景聚类方法，该方法基于高层决策相似性合并预测场景，从而确保实时可处理性。此外，自适应分支时间计算将对分离计划的承诺推迟到意图不确定性充分降低为止。在具有挑战性的高速公路场景中的仿真研究表明，该方法提高了安全性，降低了保守性，并实现了实时计算性能。
🔬 方法详解
问题定义：自动驾驶车辆在复杂交通环境中进行运动规划时，需要考虑周围车辆的意图和轨迹的不确定性。这种不确定性是多模态的，即周围车辆可能采取多种不同的行为模式。传统的运动规划方法，如最坏情况分析，虽然保证了安全性，但过于保守，导致车辆行动迟缓。而基于SMPC的方法虽然降低了轨迹层面的保守性，但在处理意图不确定性时仍然存在局限性，因为约束必须对所有意图都成立。
核心思路：论文的核心思路是利用分支结构来处理多模态意图不确定性。具体来说，为每个可能的意图分支生成不同的轨迹，而不是试图找到一个对所有意图都安全的单一轨迹。同时，结合SMPC来处理轨迹层面的不确定性，从而在保证安全性的前提下，降低整体的保守性。为了保证实时性，采用场景聚类方法来减少需要考虑的场景数量，并采用自适应分支时间计算来推迟对分离计划的承诺，直到意图不确定性充分降低。
技术框架：该方法主要包含以下几个模块：1) 预测模块：预测周围车辆的未来轨迹和意图，生成多个预测场景。2) 场景聚类模块：基于高层决策相似性合并预测场景，减少计算量。3) 分支SMPC模块：为每个意图分支生成不同的轨迹，并使用SMPC来处理轨迹不确定性。4) 自适应分支时间计算模块：根据意图不确定性动态调整分支时间。整体流程是，首先进行场景预测，然后进行场景聚类，接着根据意图不确定性进行分支，最后使用SMPC为每个分支生成轨迹。
关键创新：该方法最重要的技术创新点在于将分支结构与SMPC相结合，从而能够有效地处理多模态意图不确定性。与传统的SMPC方法相比，该方法能够为不同的意图生成不同的轨迹，从而降低了保守性。此外，提出的场景聚类方法和自适应分支时间计算方法也提高了算法的实时性。
关键设计：场景聚类基于高层决策相似性，例如是否换道、是否加速等。自适应分支时间计算根据意图预测的置信度来动态调整分支时间，当意图不确定性较高时，推迟分支时间，当意图不确定性降低时，提前分支时间。SMPC中使用的损失函数包括轨迹平滑性、与障碍物的距离、以及与目标点的距离等。具体的参数设置需要根据具体的应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
在高速公路场景的仿真实验中，该方法与传统的SMPC方法相比，显著提高了安全性，降低了保守性，并实现了实时计算性能。具体来说，该方法能够更早地识别周围车辆的换道意图，并及时调整自身轨迹，从而避免潜在的碰撞风险。同时，由于能够为不同的意图生成不同的轨迹，该方法避免了不必要的减速和停车，提高了行驶效率。
🎯 应用场景
该研究成果可应用于自动驾驶车辆的运动规划，尤其是在复杂交通环境中，例如高速公路、城市道路等。通过更有效地处理周围车辆的意图不确定性，可以提高自动驾驶车辆的安全性、效率和舒适性。此外，该方法还可以应用于其他需要处理多模态不确定性的机器人领域，例如人机协作、服务机器人等。
📄 摘要（原文）
Motion planning for autonomous driving must account for multi-modal uncertainty in both the intentions and trajectories of surrounding vehicles. Handling uncertainty in a worst-case manner guarantees robustness but often leads to excessive conservatism. Stochastic Model Predictive Control (SMPC) reduces trajectory-level conservatism through chance constraints, yet remains conservative with respect to intention uncertainty since constraints must hold across all intentions. We present a novel combination of SMPC and the branching structure, enabling the planner to generate distinct trajectories for different possible intentions while maintaining safety under trajectory uncertainty. A novel scenario clustering is proposed to merge prediction scenarios based on high-level decision similarity, thereby ensuring real-time tractability. Furthermore, an adaptive branching-time computation postpones commitment to separate plans until intention uncertainty is sufficiently reduced. Simulation studies in challenging highway scenarios demonstrate that the proposed method improves safety, reduces conservatism, and achieves real-time computational performance.