- 自动驾驶中精确的**碰撞概率(Probability of Collision, POC)** 估计对避撞至关重要，但传感器噪声和遮挡导致目标位置/方向不确定性
- 现有**蒙特卡洛(Monte Carlo)** 采样计算量大且具有随机性，难以满足实时应用需求
- 解析POC计算常用圆形边界近似车辆几何：单圆过于保守，多圆近似精度高但计算复杂度显著增加
- 需要一种兼顾计算效率与近似精度的形状近似方法
- 提出**MoCCA(Movable Circle Probability of Collision Approximation)** 算法，为每辆车使用一个**可移动圆** 来近似其形状
- 通过优化每个单圆的位置和半径，最小化两圆之间的**相对距离**，从而替代传统固定外接圆
- 推导了近似误差的**上界(upper bound)**，证明其主要依赖车辆间距离和方向方差，而非形状细节
- 引入**安全距离裕度(safety distance margin)**，该裕度可仅基于方向方差进行校准，弥补部分覆盖导致的POC低估
- **可移动单圆范式**：不同于固定外接圆或固定多圆，允许单圆沿车辆轮廓移动，以最小化相对距离，从而在保持单圆计算效率的同时显著降低过度保守性
- **误差有界理论**：首次建立部分覆盖近似下POC估计的误差上界，揭示其与距离和方向方差的解析关系，为算法可靠性提供理论保障
- **简化校准策略**：安全裕度仅需方向方差即可校准，避免了复杂的多维校准过程，便于工程部署
- 为实时自动驾驶系统提供了一种**计算高效且误差可控** 的碰撞概率估计方法，平衡了单圆的低计算量与多圆的低保守性
- 从理论上证明了单圆可移动近似的有效性，并给出了可操作的误差界与安全裕度，增强了实际应用中的可信度
- 方法保持与标准单圆技术相当的运算速度，适合嵌入式平台，推动了碰撞概率估计在**实时安全决策** 中的实用化