Worst-Case Hidden-Vehicle Trajectory Search in Spatiotemporal Occlusion Regions

📄 arXiv: 2609.20480v1 📥 PDF

作者: Ruichen Tan, Zengxiang Lei, Satish Ukkusuri

分类: cs.RO, cs.CR

发布日期: 2026-09-17

备注: 16 pages, 3 figures. Accepted at the ECCV 2026 Workshop on Safe and Defensive Autonomous Driving (SDAD) as an Oral Presentation; Best Paper Award. Workshop website: https://sdad.cc/papers.html

💡 一句话要点

提出HC-MTS以解决自主驾驶中的遮挡区域最坏情况轨迹搜索问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱八：物理动画 (Physics-based Animation)

关键词: 遮挡推理 轨迹搜索 自主驾驶 极小极大优化 安全性提升 Waymo数据集 多帧可见性 响应感知搜索

📋 核心要点

  1. 现有方法在处理遮挡时，往往忽略了最坏历史一致的交互，导致不准确的预测和决策。
  2. HC-MTS通过构建有限的隐藏状态模式，结合时间遮挡推理与响应感知搜索，提供了一种新的解决方案。
  3. 在八个Waymo Open Motion Dataset场景中，HC-MTS显著减少了隐藏种子的数量，提升了预测的准确性和安全性。

📝 摘要（中文）

遮挡在自主驾驶中造成了根本的不确定性。现有方法通常通过逐帧假设传播或优化自我行为来应对隐藏代理的预测，未能探索最坏历史一致的交互。本文提出了历史条件极小极大轨迹搜索（HC-MTS），结合了时间遮挡推理与响应感知搜索。HC-MTS构建有限的隐藏状态模式，并通过双层极小极大问题求解，显著提高了在Waymo Open Motion Dataset场景中的表现。

🔬 方法详解

问题定义：本文旨在解决自主驾驶中由于遮挡导致的最坏情况隐藏车辆轨迹搜索问题。现有方法未能有效处理历史一致性交互，导致潜在的安全隐患。

核心思路：HC-MTS结合了时间遮挡推理与响应感知搜索，通过构建有限的隐藏状态模式，确保每个模式都满足多帧可见性、占用、语义图支持和类特定运动约束。

技术框架：HC-MTS的整体架构包括两个主要阶段：首先，构建隐藏状态模式；其次，解决一个双层极小极大问题，内层最大化自我驾驶得分，外层选择最优的隐藏车辆轨迹。

关键创新：HC-MTS的主要创新在于引入历史条件的极小极大搜索策略，能够有效识别并避免潜在的碰撞场景，与现有方法相比，提供了更为全面的安全保障。

关键设计：在设计中，HC-MTS设置了多个参数，包括可见性记忆范围K的调整，实验结果显示从K=1到K=20的提升显著减少了隐藏种子的数量，优化了整体性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，随着可见性记忆范围K的增加，从K=1到K=20，平均每场景的车辆、行人和总保留隐藏种子数量分别减少了18.12%、21.67%和18.45%。HC-MTS成功识别出六个可避免的反例，未发现合法的碰撞产生攻击者。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车的路径规划与决策支持系统。通过提高对遮挡情况的处理能力，HC-MTS能够显著提升车辆在复杂环境中的安全性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Occlusion creates fundamental uncertainty in autonomous driving. Existing methods often propagate frame-wise hypotheses or optimize ego behavior against prescribed hidden-agent predictions, leaving the worst history-consistent interaction unexplored. We introduce History-Conditioned Minimax Trajectory Search (HC-MTS), which combines temporal occlusion reasoning with response-aware search. First, HC-MTS constructs finite hidden-state modes, each certified by a backward witness satisfying multi-frame visibility, occupancy, semantic-map support, and class-specific kinematic constraints. It then solves a bilevel minimax problem: an inner finite oracle maximizes the ego driving score over destination attainment and ride comfort, while the outer search selects the legal hidden-vehicle trajectory that minimizes this best-response value. Across eight Waymo Open Motion Dataset scenarios, increasing the visibility-memory horizon from K=1 to K=20 reduces the mean per-scenario vehicle, pedestrian, and total retained hidden-seed counts by 18.12%, 21.67%, and 18.45%, respectively. HC-MTS identifies six avoidable counterexamples, while no legal collision-producing attacker is found in the remaining two scenes within the finite search budget.