← 返回论文列表

MORPH-U: 基于仿真的高不确定性环境下V2X赋能自动驾驶的多目标弹性运动规划
MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation

作者: Shih-Yu Lai
arXiv: 2605.07370v1
分类: cs.RO, cs.AI, cs.MA, eess.SY
📝 论文摘要
V2X能够向自动驾驶车辆预警视线之外的潜在危险，但同时也带来了不确定性：信息可能延迟、丢失甚至被伪造。与此同时，地图知识可能在行驶过程中发生变化，迫使车辆在严苛的实时计算预算下重新规划路径。本文研究如何使运动规划与底层控制在面对此类不确定的、事件驱动的更新时具备鲁棒性。我们提出MORPH-U——一个基于CARBA的闭环堆栈，将激光雷达/雷达/摄像头与V2X（CAM/DENM）融合到局部动态地图（LDM）中，并在经验证的危险或地图变化影响规划路径时触发Hybrid-A*重规划。通过基于跟踪误差、安全裕度（最小TTC）、响应性与平滑性的多目标公式，我们揭示了规划/控制的权衡关系，并利用帕累托前沿分析选择工作点。为避免因错误的V2X触发导致不安全的重规划，MORPH-U增加了一个轻量级拜占庭启发式接受门，该门结合了法定人数规则与车载传感器否决权。在动态CARBA场景中的实验表明：V2X增强的LDM提升了下游安全性，帕累托调优提供了可控的精度-舒适度权衡，而接受门在饱和的虚假DENM注入（$p_{\text{attack}}=1.0$）下阻止了重规划。

📊 核心分析

🎯 研究动机
- 现有**V2X** 通信存在不确定性（消息延迟、丢失、甚至伪造），影响自动驾驶运动规划的鲁棒性 - 地图知识在行程中可能动态变化，迫使车辆在严格实时预算下进行重规划 - 缺乏针对高不确定性、事件驱动更新的**多目标运动规划** 方法，难以平衡跟踪精度、安全性、响应性和舒适性
🔧 核心方法
- 构建**CARLA** 闭环堆栈**MORPH-U**，融合LiDAR/雷达/摄像头与V2X消息(CAM/DENM)形成**本地动态地图(LDM)** - 在LDM中验证到危害或地图变化影响计划路线时，触发**Hybrid-A** *重规划 - 采用**多目标优化** 公式（跟踪误差、最小**TTC**、响应性、平滑性），并通过**帕累托前沿(Pareto-frontier)分析** 选择工作点 - 引入**轻量级拜占庭式接受门(Byzantine-inspired acceptance gate)**，结合**quorum规则** 与**车载传感器否决(veto)** 机制过滤错误V2X触发信号
💡 核心创新
- **首次** 将**多目标优化与帕累托前沿分析** 系统性地应用于V2X环境下的运动规划控制权衡，实现精度-舒适度的可调节平衡 - **提出轻量级拜占庭式门机制**，能够在高攻击概率（$p_{ ext{attack}}=1.0$）下有效防止因伪造DENM导致的不安全重规划 - **融合混合传感器与V2X的LDM**，利用V2X超视距信息提升下游安全性，同时通过门机制抵御不确定性
🏆 总体贡献
- 为**V2X辅助自动驾驶** 在高度不确定性环境下提供了一套鲁棒的运动规划与底层控制框架 - 通过CARLA仿真实验验证了V2X增强LDM对安全性的改善，以及帕累托调优与门机制的实用有效性 - 为后续研究在**事件驱动重规划** 与**安全防御** 方面提供了可复现的基线方法与设计思路