CorrRisk-WM: Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning
作者: Tingyu Guo, Reza Langari
分类: cs.RO
发布日期: 2026-09-15
备注: 9 pages, 3 figures
💡 一句话要点
提出CorrRisk-WM以解决安全关键的轨迹规划问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 轨迹规划 风险预测 环境建模 自动驾驶 智能系统
📋 核心要点
- 现有方法在安全关键的轨迹规划中，难以准确预测周围代理的运动及其对自我轨迹的风险评估。
- CorrRisk-WM通过结合环境演变与候选轨迹的几何特征，提供了一种新的局部世界模型，增强了风险预测能力。
- 在实验中，CorrRisk-WM在多个场景下表现优异，入侵AP达到0.8567，近失首次入侵AP为0.8671，显著优于基线方法。
📝 摘要（中文）
安全的局部规划需要预测周围代理的运动并评估特定候选轨迹的风险，因为相同的代理运动对不同的自我轨迹可能会造成不同的风险。本文提出了CorrRisk-WM，这是一种规划导向的部分世界模型，结合了环境演变与监督入侵和近失预测，针对有界候选轨迹走廊进行建模。该模型通过潜在环境模型递归预测代理状态，并更新代理间及代理与地图的交互。每个候选轨迹通过关注几何形状和学习的代理-走廊表示来查询不断演变的环境。轻量级的递归风险模块利用时间上下文来估计每个切片的风险；生存聚合则生成首次入侵和水平事件概率。在29,176个来自100个Waymo验证片段的场景中，CorrRisk-WM达到了0.8567的入侵平均精度（AP）和0.8671的1米近失首次入侵AP。在基线比较中，它在所有三个距离阈值下都达到了最高的近失AP，并且观察到的开放环路碰撞率最低（4.88%），路线进展为15.35米。
🔬 方法详解
问题定义：本文旨在解决安全关键轨迹规划中的风险预测问题，现有方法在动态环境中难以准确评估不同候选轨迹的风险，导致潜在的安全隐患。
核心思路：CorrRisk-WM的核心思路是通过构建一个部分世界模型，结合环境演变与候选轨迹的几何特征，来提高对周围代理运动的预测精度和风险评估能力。
技术框架：该方法的整体架构包括潜在环境模型、轻量级递归风险模块和生存聚合机制。潜在环境模型负责递归预测代理状态，风险模块则利用时间上下文估计风险，生存聚合用于生成事件概率。
关键创新：最重要的创新在于将环境演变与候选轨迹的几何推理相结合，形成了一种新的风险预测机制，这与传统方法的静态模型形成了鲜明对比。
关键设计：在设计中，使用了轻量级的递归神经网络结构来处理时间序列数据，损失函数则针对风险评估进行了优化，确保模型在动态环境中具有良好的适应性。
🖼️ 关键图片
📊 实验亮点
在实验中，CorrRisk-WM在29,176个场景中实现了0.8567的入侵平均精度和0.8671的1米近失首次入侵AP，表现出在所有三个距离阈值下最高的近失AP，并且开放环路碰撞率最低为4.88%，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、机器人导航和其他安全关键的智能系统。通过提高轨迹规划的安全性，CorrRisk-WM可以有效降低事故风险，提升智能系统在复杂环境中的可靠性和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Safe local planning requires forecasting surrounding-agent motion and evaluating candidate-specific risks, since identical agent motion can pose different risks to different ego trajectories. We present CorrRisk-WM, a planning-oriented partial world model coupling environment evolution with supervised intrusion and near-miss prediction over bounded candidate-trajectory corridors. A latent environment model recursively predicts agent states and updates agent-agent and agent-map interactions. Each candidate queries the evolving environment through footprint- aware geometry and learned agent-corridor representations. A lightweight recurrent risk module uses temporal context to estimate per-slice hazards; survival aggregation yields first-entry and horizon-level event probabilities. On 29,176 scenarios from 100 Waymo validation shards, CorrRisk-WM achieves intrusion average precision (AP) of 0.8567 and 1-m near-miss first-entry AP of 0.8671. In baseline comparisons, it attains the highest near-miss AP at all three distance thresholds and the lowest observed open-loop collision rate (4.88%), with route progress of 15.35 m. Across three seeds, removing dynamic environment modeling or candidate-conditioned geometric interaction reduces mean intrusion AP from 0.8590 to 0.7624 and 0.7252, respectively. These results support coupling environment evolution with candidate-conditioned geometric reasoning for risk prediction and safety-oriented candidate selection.