Dodging the Moose: Experimental Insights in Real-Life Automated Collision Avoidance

📄 arXiv: 2602.17512v1 📥 PDF

作者: Leila Gharavi, Simone Baldi, Yuki Hosomi, Tona Sato, Bart De Schutter, Binh-Minh Nguyen, Hiroshi Fujimoto

分类: eess.SY, cs.RO

发布日期: 2026-02-19

备注: 10 pages, 10 figures

💡 一句话要点

提出一种结合前馈规划器的MPC方法，用于解决自动驾驶中麋鹿测试等紧急避障问题。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自动驾驶 碰撞避免 模型预测控制 前馈规划 麋鹿测试

📋 核心要点

  1. 现有非线性MPC方法在紧急避障场景中计算量大，难以满足实时性要求，限制了其在实际自动驾驶中的应用。
  2. 提出一种结合MPC和前馈规划器的混合方法，利用前馈规划器在MPC失效时提供辅助，提高系统应对紧急情况的能力。
  3. 通过真实车辆实验验证了该方法的有效性，并与传统MPC方法进行了对比，展示了其在实时性和安全性方面的优势。

📝 摘要（中文）

本文针对自动驾驶中常见的紧急避障场景，即麋鹿测试，提出了一种实时的碰撞避免方案。尽管模型预测控制（MPC）已被广泛应用于自动驾驶车辆的规划和控制，但由于其在紧急情况下进行规避动作时计算量巨大，因此在麋鹿测试等场景中的实时应用仍未得到解决。本文通过实验验证了MPC在突发静态障碍物出现后的运动规划中的实时性能。针对现有非线性MPC在实时性方面的不足，提出了一种类似人类的前馈规划器，以辅助MPC在优化问题不可行或因初始猜测质量差而无法找到合适解决方案时进行决策。该前馈规划器通过最大转向机动概念的设计，模拟人类在检测到道路上的静态障碍物后的反应。通过在不同速度和紧急程度下使用FPEV2-Kanon电动汽车进行的真实实验，验证了所提出的规划策略的有效性，并与最先进的MPC运动规划器进行了比较。

🔬 方法详解

问题定义：论文旨在解决自动驾驶车辆在面对突发静态障碍物（如麋鹿测试）时，如何进行实时、有效的碰撞避免问题。现有方法，特别是基于非线性MPC的方法，虽然在理论上可行，但由于计算复杂度高，难以在实际车辆上实时运行，尤其是在需要快速做出反应的紧急情况下。

核心思路：论文的核心思路是结合MPC的优化能力和前馈规划器的快速响应能力。当MPC由于计算量过大或初始猜测不佳而无法在规定时间内给出可行解时，使用前馈规划器提供一个次优但可行的解决方案，保证车辆的安全。这种混合方法旨在模拟人类驾驶员在紧急情况下的反应，即先进行快速的初步规避，然后进行更精细的调整。

技术框架：整体框架包含两个主要模块：MPC运动规划器和前馈规划器。当检测到障碍物时，首先尝试使用MPC进行运动规划。如果在一定时间内MPC无法给出可行解，则激活前馈规划器，生成一个基于最大转向机动的规避轨迹。车辆根据该轨迹进行初步规避，同时MPC继续尝试优化轨迹。一旦MPC找到可行解，则切换回MPC控制。

关键创新：关键创新在于引入了前馈规划器作为MPC的补充，解决了MPC在紧急情况下实时性不足的问题。前馈规划器基于“最大转向机动”的概念，模拟人类驾驶员在紧急情况下的快速反应，保证了车辆的安全性。这种混合方法在保证安全性的前提下，提高了系统的实时性。

关键设计：前馈规划器的关键设计在于“最大转向机动”的确定。该参数基于车辆的物理限制和道路条件进行预先计算，并在实际运行时根据车辆速度进行调整。MPC的关键设计在于目标函数的选择和约束条件的设置，目标函数通常包含对轨迹平滑性、与障碍物距离以及跟踪期望轨迹的惩罚项。约束条件包括车辆的动力学约束、道路边界约束以及障碍物约束。

📊 实验亮点

实验结果表明，所提出的混合规划方法能够有效地解决自动驾驶车辆在麋鹿测试等紧急情况下的避障问题。与传统的MPC方法相比，该方法在保证安全性的前提下，显著提高了系统的实时性，能够在更短的时间内做出反应，避免碰撞。具体的性能数据（例如，反应时间、避障成功率等）在论文中进行了详细的展示和分析。

🎯 应用场景

该研究成果可应用于各种自动驾驶车辆，尤其是在需要高安全性和实时性的场景中，如城市道路自动驾驶、高速公路自动驾驶等。通过提高自动驾驶车辆在紧急情况下的避障能力，可以显著降低交通事故的发生率，提升自动驾驶系统的可靠性和安全性，加速自动驾驶技术的商业化落地。

📄 摘要（原文）

The sudden appearance of a static obstacle on the road, i.e. the moose test, is a well-known emergency scenario in collision avoidance for automated driving. Model Predictive Control (MPC) has long been employed for planning and control of automated vehicles in the state of the art. However, real-time implementation of automated collision avoidance in emergency scenarios such as the moose test remains unaddressed due to the high computational demand of MPC for evasive action in such hazardous scenarios. This paper offers new insights into real-time collision avoidance via the experimental imple- mentation of MPC for motion planning after a sudden and unexpected appearance of a static obstacle. As the state-of-the-art nonlinear MPC shows limited capability to provide an acceptable solution in real-time, we propose a human-like feed-forward planner to assist when the MPC optimization problem is either infeasible or unable to find a suitable solution due to the poor quality of its initial guess. We introduce the concept of maximum steering maneuver to design the feed-forward planner and mimic a human-like reaction after detecting the static obstacle on the road. Real-life experiments are conducted across various speeds and level of emergency using FPEV2-Kanon electric vehicle. Moreover, we demonstrate the effectiveness of our planning strategy via comparison with the state-of- the-art MPC motion planner.