Distributionally Robust Model Predictive Control with Disturbance Uncertainty Adaptiveness for Obstacle Avoidance of Autonomous Driving
本文提出了一种用于自动驾驶车辆避障的分布鲁棒模型预测控制框架，该框架利用 Koopman 算子将非线性动力学线性化，并采用基于 Wasserstein 距离的分布鲁棒优化，以确保在未知扰动分布下的可行性与鲁棒性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在拥挤的城市中驾驶汽车或在蜿蜒的赛道上行驶，都需要在速度与安全之间取得平衡的瞬时决策。车辆必须不断预测自己在极短时间后的状态，并考虑到路面可能湿滑、风力可能意外突变，或者附近的车辆可能会毫无预警地突然变道。几十年来，工程师们一直依赖数学模型来帮助汽车做出这些决策，但当现实世界变得复杂混乱时，这些模型往往会显得力不从心。传统方法要么过度简化汽车的物理特性，导致其在极端情况下失效；要么假设它们完全了解每种可能干扰发生的概率，而这在现实中几乎是不可能的。当汽车的控制系统对天气或路面状况产生错误判断时，后果可能是严重的。
研究人员一直在探索一种结合两种强大思想的新方法来处理这种不确定性。第一种涉及一种数学工具，它可以将一个复杂的、扭曲的系统从另一个角度观察，使其表现得像一条直线一样可预测。第二种是一种规划策略，旨在为最坏的情况做准备，同时又不会因为恐惧每一个可能的灾难而陷入瘫痪。通过融合这些概念，一组工程师开发出了一种新的控制系统，旨在即使在环境表现出从未见过的行为时，也能确保自动驾驶车辆的安全。他们的工作专注于一个特定的挑战：即在风力、路面摩擦力或其他外部力量的性质未知且不断变化的情况下，如何引导汽车绕过障碍物。
这种新方法的核心在于计算机理解汽车运动的方式。与其试图解决描述高速转弯时真实汽车运动的那些困难的非线性方程，研究人员使用了一种将汽车状态“提升”到更高维空间的方法。想象一下观察一个缠结在一起的绳结：从一个角度看，它是一团乱麻；但如果你能将其拉入另一个维度，它可能会被拉直成一条简单的直线。在这个新的空间里，汽车复杂的非线性运动变得简单且线性化，从而允许计算机使用标准、快速且可靠的工具来规划路径。这种“提升”过程是从数据中学习而来的，这意味着系统通过研究汽车实际是如何移动的，来构建一个能够准确反映现实的高维空间地图。
一旦汽车的运动被简化，研究人员就开始解决不确定性的问题。在现实世界中，汽车永远不会是完美可预测的。阵风、不平整的路面或汽车自身传感器的轻微误差都会引入扰动，从而将车辆推离航线。旧系统通常假设这些扰动遵循某种特定的、已知的模式（例如正态分布），或者为绝对最坏的情况做准备，但这会导致汽车开得过于谨慎而失去实用性。新方法采取了折中方案。它利用过去关于汽车受扰动情况的数据，创建一个可能未来场景的“云团”。系统随后规划一条路径，无论该“云团”中具体发生哪种场景，都能保证路径是安全的。它不需要知道天气的确切规则；它只需要知道未来看起来可能与过去相似，但或许会更加极端。
为了测试这一想法，研究人员在充满静态障碍物的虚拟赛道（类似于障碍绕桩赛道）上进行了数千次模拟。他们将这种新系统与一个未使用这种先进安全规划的标准化版本进行了对比。在扰动符合系统所学习数据的平静条件下，两辆车表现相似，都能以相当的速度和精度完成赛道。然而，当研究人员引入剧烈且出乎意料的环境变化（模拟风力或路面条件远比系统所见到的情况都要恶劣的情景）时，差异变得非常显著。在这些极端条件下，标准系统反复失败，撞向赛道边界或障碍物。相比之下，配备了这种稳健安全规划的新系统，成功完成了绝大多数这类高难度运行。
结果表明，虽然新系统在计算每一次决策时需要稍微多一点时间，但这种权衡是非常值得的。使用新方法的汽车即使在扰动强度增加一倍的情况下，仍能保持在预定路径附近，并与障碍物保持更安全距离。研究人员发现，系统适应这种未知变化的能力不仅是一个小幅度的改进，更是防止失败的关键因素。通过为一系列可能性而非单一的猜测或单一的噩梦进行规划，汽车能够做出让其在其他系统都可能放弃的情况下仍能保持行驶的决策。这表明，对于自动驾驶车辆要在不可预测的现实世界中安全运行，它们的设计不仅要能够遵循地图，还必须理解自身知识的极限，并为意外情况做好准备。
这项研究证实，这种将复杂物理特性简化与严谨应对未知风险相结合的混合方法，为自动驾驶提供了一条切实可行的路径。它证明了汽车可以既快速又安全，只要其控制系统足够灵活，能够应对现实世界的混乱，而无需提前掌握每一个细节。随着这项技术从模拟转向现实世界测试，这些发现为构建能够在最具挑战性的环境中以以往难以企及的可靠性进行导航的车辆提供了蓝图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。