- 解决**机会约束MPPI(Chance-Constrained MPPI)** 在实际动态导航中因定位和感知不确定性校准不良而导致的**过自信(overconfidence)** （安全违规）或**欠自信(underconfidence)** （保守冻结/概率稀释）问题
- 现有机会约束方法隐式假设上游不确定性（定位与感知）已被良好校准，但实际估计器常存在**校准偏差(miscalibration)**，引发闭环故障模式
- 研究背景：概率安全保证需要整个自主栈的不确定性估计具备统计有效性，而现有工作缺乏对此的系统性评估与鲁棒规划方案
- 提出**DUCCT-MPPI(Dual-Uncertainty Chance-Constrained Tube MPPI)** 实时风险感知规划架构，联合考虑**定位不确定性(localization uncertainty)** 和**动态障碍物预测不确定性(dynamic obstacle prediction uncertainty)**
- 使用**单管无迹变换(one-tube Unscented Transform, UT)** 近似来集成定位不确定性，通过**蒙特卡洛聚合(Monte Carlo aggregation)** 集成动态障碍物预测不确定性
- 引入**适当评分规则(proper scoring rules)** 作为评估方法论，在闭环执行中严格评价碰撞风险预测的统计有效性（校准性）
- **首次联合建模**：在机会约束MPPI框架中同时处理**状态不确定性(state uncertainty)** 和**动态目标预测不确定性(prediction uncertainty)**，而非仅考虑其中之一
- **实用近似方法**：提出**一管UT近似** 以实现定位不确定性的实时集成，结合**蒙特卡洛聚合** 处理预测不确定性的高维分布，兼顾计算效率与精度
- **校准评估范式**：将**适当评分规则** 引入碰撞风险校准评价，为自主导航的概率安全验证提供了严格统计工具，填补了现有方法仅依赖经验性能的空白
- 建立了一套评估**碰撞风险校准(collision risk calibration)** 的严格方法论，推动自主导航概率安全从“表达性风险模型”迈向“统计有效不确定性估计”
- 提出**DUCCT-MPPI** 实时规划框架，在高度杂乱环境中相比标准**蒙特卡洛MPPI(Monte Carlo MPPI)** 基线提升**导航成功率28%**，同时实现**最低旅行时间** 和**最小化诱导社会力(induced social forces)**
- 通过仿真验证了如何通过鲁棒不确定性集成避免过自信和欠自信的故障模式，为实际部署中的安全关键决策提供理论依据