采用场景聚类的多模态不确定性下运动规划的分支随机模型预测控制

Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering

自动驾驶的运动规划必须考虑周围车辆意图和轨迹的多模态不确定性。以最坏情况处理不确定性虽能保证鲁棒性，但常导致过度保守。随机模型预测控制（SMPC）通过机会约束降低轨迹层面的保守性，但在意图不确定性方面仍显保守，因为约束必须适用于所有意图。我们提出了一种SMPC与分支结构的新型结合方法，使规划器能够针对不同可能意图生成不同轨迹，同时在轨迹不确定性下保持安全性。引入一种新颖的情景聚类方法，基于高层决策相似性合并预测情景，从而确保实时可解性。此外，自适应分支时间计算推迟了分离计划的决策，直到意图不确定性充分降低。在具有挑战性的高速公路场景中的仿真研究表明，所提方法提升了安全性、降低了保守性，并实现了实时计算性能。