Efficient Risk-sensitive Planning via Entropic Risk Measures
ENS de Lyon(里昂高等师范学院);University of Tübingen(图宾根大学)
针对风险敏感规划中尾部指标优化代价高的问题,提出通过计算熵风险度量参数范围内的完整最优策略集,利用结构分析与平滑性实现高效近似,并在多种决策场景中验证了强性能。
2025-07-08 cs.AI cs.LG math.OC
Planning for Risk-Aversion and Expected Value in MDPs
University of Oxford(牛津大学)
马尔可夫决策过程(MDP)中的规划通常会优化预期成本。然而,优化期望没有考虑对于MDP的任何给定运行,收到的总成本可能高得不可接受的风险。另一种方法是找到一个优化风险规避目标的政策,如条件风险价值(CVaR)。然而,单独优化CVaR可能会导致预期的不良表现。在这项工作中,我们首先表明,可以有多个政策,获得最佳的CVaR。这促使我们提出了一个字典的方法,最大限度地减少了预期成本的约束,总成本的CVaR是最佳的。我们提出了一个算法,这个问题,并评估我们的方法上的四个域。我们的研究结果表明,我们的字典法提高了预期的成本相比,最先进的算法,同时实现了最佳的CVaR。
2022-03-10 cs.AI cs.SY eess.SY
Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
自动驾驶汽车需要与人类合作的能力,以顺利融入当今的交通。虽然合作的概念是众所周知的,开发一个强大的和有效的合作轨迹规划方法仍然是一个挑战。这一挑战的一个方面是由于传感器精度有限而导致的环境状态的不确定性。这种不确定性可以用部分可观测马尔可夫决策过程来表示。我们的工作解决了这个问题,通过扩展现有的合作轨迹规划方法的基础上连续动作空间的蒙特卡罗树搜索。它通过以根信念状态的形式显式地建模不确定性来实现这一点,从根信念状态开始对树的开始状态进行采样。在用蒙特卡罗树搜索构造树之后,使用核回归将它们的结果聚合成收益分布。我们应用两个风险指标进行最终选择,即置信下限和条件风险值。可以证明,在最终选择策略中集成风险度量在不确定的环境中始终优于基线,从而生成相当安全的轨迹。
2022-11-12 cs.AI cs.MA cs.RO
Risk Conditioned Neural Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Toyota Research Institute(丰田研究院)
风险受限的运动规划是安全关键任务中的一个重要而又困难的问题。虽然现有的数学规划方法在约束马尔可夫决策过程的背景下提供了理论保证,但它们要么在解决更大的问题时缺乏可扩展性,要么产生保守的计划。深度强化学习的最新进展通过将策略网络学习为函数逼近器来提高可扩展性。在本文中,我们提出了一个扩展的软演员评论家模型,通过一个风险评论家估计的执行风险的计划,并产生风险有界的政策,有效地增加了额外的风险项的损失函数的政策网络。我们以准确的形式定义执行风险,而不是通过每个时间步骤的直接风险总和来近似计算,从而导致保守的计划。我们提出的模型是以连续的风险范围为条件的,允许用户在飞行中调整代理的风险规避水平。通过一组实验,我们展示了我们的模型在计算时间和计划质量方面的优势,与最先进的数学规划基线相比,并验证了其在更复杂的场景中的性能,包括非线性动力学和更大的状态空间。
2021-08-04 cs.AI cs.LG cs.RO
Predictive Collision Management for Time and Risk Dependent Path Planning
LMU Munich(慕尼黑大学)
自动驾驶汽车或包裹机器人等自主智能体需要识别并避免可能与障碍物发生碰撞,以便在其环境中成功移动。然而,人类已经学会了凭直觉预测运动,并以前瞻性的方式避开障碍物。避碰任务可以分为全局和局部两个层次。关于全球层面,我们提出了一种方法,称为“预测碰撞管理路径规划”(PCMP)。在地方一级,使用避免碰撞的解决方案,以防止不可避免的碰撞。因此,PCMP的目的是使用预测碰撞管理来避免不必要的局部碰撞场景。PCMP是一种基于图的算法,其重点在于由三个部分组成的时间维度:(1)运动预测,(2)将运动预测集成到时间相关图中,以及(3)时间和风险相关路径规划。该算法结合了搜索最短路径的问题:绕道值得避免可能的碰撞情况?我们在不同的模拟场景中评估了规避行为,结果表明,风险敏感的代理可以避免47.3%的碰撞场景,而绕道1.3%。一个规避风险的代理避免了高达97.3%的碰撞场景,绕道39.1%。因此,一个代理的规避行为可以控制主动和风险依赖于使用PCMP。
2020-11-26 cs.AI cs.LG cs.RO
Risk-Sensitive and Robust Model-Based Reinforcement Learning and Planning
Pembroke College(彭布罗克学院)
针对现实环境中认知与偶然不确定性带来的风险,本论文提出风险敏感且鲁棒的基于模型的强化学习与规划算法,以提升序贯决策在不确定环境中的安全性与鲁棒性。
2023-04-02 cs.AI cs.LG
Wall Street Tree Search: Risk-Aware Planning for Offline Reinforcement Learning
Intel Labs(英特尔实验室);Technion Israel Institute of Technology(以色列理工学院)
离线强化学习(RL)算法学习使用给定的固定训练数据集进行决策,而无需在线数据汇集。这个问题设置很吸引人,因为它有希望利用以前收集的数据集,而不需要与环境进行任何昂贵或有风险的交互。然而,这种承诺也承担了这种设置的缺点,因为受限数据集会引起不确定性,因为代理可能会遇到训练数据没有覆盖的不熟悉的状态和动作序列。为了减轻破坏性的不确定性影响,我们需要平衡采取回报最大化行动的愿望与由于错误而产生的风险。现代投资组合理论(英语:Modern Portfolio Theory,缩写为MPT)是金融经济学中的一种方法,风险厌恶的投资者可以用它来构建多样化的投资组合,以最大化他们的回报,而不会带来不可接受的风险。我们建议将MPT集成到Agent的决策过程中,提出了一种新的简单而高效的离线RL风险感知规划算法。我们的算法使我们能够系统地说明具体行动的\emph{estimated quality}及其\emph{estimated risk}由于不确定性。我们表明,我们的方法可以与Transformer架构相结合,产生一个国家的最先进的规划,最大限度地提高离线RL任务的回报。此外,与传统的Transformer解码相比,我们的算法显着降低了结果的方差,这导致了更稳定的算法-这是离线RL设置所必需的属性,其中现实世界的探索和失败可能是昂贵或危险的。
2022-12-06 cs.AI cs.LG cs.RO
Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
本文提出了一种在线风险受限的运动规划方法,通过结合意图识别算法和POMDP求解器,生成安全高效的路径规划方案,尤其在无保护左转和变道等复杂环境中表现更优。
2019-04-04 cs.AI cs.RO cs.SY
Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability
University of Virginia(弗吉尼亚大学);Google(谷歌);University of Maryland, College Park(马里兰大学 College Park 分校);Stanford University(斯坦福大学);Louisiana State University(路易斯安那州立大学);College of William and Mary(威廉与玛丽学院)
本文提出一种轻量级风险门控强化学习方法,用于部分可观测环境下风险敏感控制。通过构建紧凑的有限历史代理状态并学习动作条件化的短期安全违规预测,实现风险惩罚与决策时的保守评估,提升安全关键任务的性能与效率。
2026-05-14 cs.AI cs.LG cs.SY
Risk Awareness in HTN Planning
Service Computing Department, Institute of Architecture of Application Systems, University of Stuttgart(应用系统架构研究所服务计算系,斯图加特大学)
本文针对HTN规划中缺乏风险意识的问题,提出基于期望效用理论和动作成本概率分布的通用风险感知HTN规划框架,使智能体能按特定风险态度计算计划,并通过案例研究验证其可行性与表达能力。
2025-06-04 cs.AI
Online Risk-Averse Planning in POMDPs Using Iterated CVaR Value Function
Technion - Israel Institute of Technology(以色列理工学院)
本文提出在POMDPs中使用ICVaR价值函数进行在线风险厌恶规划,通过扩展三种算法以优化风险度量,实验显示其在降低尾部风险方面优于传统方法。
2026-01-28 cs.AI
Probabilistic Planning for Continuous Dynamic Systems under Bounded Risk
Keio University(庆应义塾大学);Massachusetts Institute of Technology(麻省理工学院);SpaceX(太空探索技术公司)
本文提出了一种基于模型的规划者称为概率Sulu规划者或p-Sulu规划者,它控制随机系统在用户指定的风险范围内的目标导向的方式。p-Sulu Planner的目标是允许用户以直观和安全的方式指挥连续的随机系统,例如无人驾驶航空器和航天器。为此,我们首先开发了一个新的计划表示称为机会约束的定性状态计划(CCQSP),通过它,用户可以指定所需的演变的工厂状态以及可接受的风险水平。CCQSP语句的一个示例是在30分钟内从A到B,失败概率小于0.001%。"然后,我们开发了p-Sulu规划器,它可以很好地解决CCQSP规划问题。为了使CCQSP规划,我们在本文中开发了以下两个功能:1)风险敏感的规划与风险界限,和2)目标导向的规划在一个连续的域与时间约束。第一个能力是确保失败的概率是有界的。第二个能力是必不可少的规划,以解决问题的连续状态空间,如车辆路径规划。我们通过模拟两个真实场景来展示p-Sulu Planner的功能:个人飞行器的路径规划和调度以及自主货运飞船的空间交会。
2014-02-04 cs.AI
Beyond Uncertainty Reduction: Calibrated Planning for Interactive Diagnosis
Lanzhou University(兰州大学);Hunan University(湖南大学);National University of Singapore(新加坡国立大学);City University of Hong Kong(香港城市大学);The Ohio State University(俄亥俄州立大学)
该研究针对交互式医疗诊断漏诊重症的风险与长程规划缺失问题,提出严重程度感知共形临床规划框架,在DDXPlus和MediQ上提升了诊断准确性、鉴别质量并降低了高风险错误。
2026-10-19 cs.AI
MADRA: Multi-Agent Debate for Risk-Aware Embodied Planning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);University of Chinese Academy of Sciences, Nanjing(中国科学院大学南京校区)
MADRA通过多智能体辩论和分层认知框架,在安全性和效率上超越现有方法,实现高安全任务拒绝率和低误拒率。
2025-11-26 cs.AI
Risk-Constrained Interactive Safety under Behavior Uncertainty for Autonomous Driving
fortiss GmbH(福蒂斯研究所(有限责任公司));Technische Universität München(慕尼黑工业大学)
在密集的交通中进行规划时,平衡安全性和效率是一项挑战。互动行为规划者将预测的不确定性和互动性固有的这些交通情况。然而,他们使用的单目标最优性阻碍了所产生的安全目标的可解释性。在存在行为不确定性的情况下,限制允许规划区域的安全包络产生可解释的安全性,然而,由于保守驾驶,它们在密集交通中牺牲效率。研究表明,人类通过接受违反安全包络的概率风险来平衡密集交通中的安全和效率。在这项工作中,我们采用这种安全目标的互动规划。具体来说,我们正式这个安全目标,提出了风险约束鲁棒随机贝叶斯博弈模型的交互式决策,满足最大的风险违反安全信封下的其他交通参与者的行为的不确定性和解决它使用我们的变体多智能体蒙特卡罗树搜索。我们在模拟中证明,我们的方法优于基线方法,并通过在驱动模拟时间内达到指定的违规风险水平,为交互式规划提供了一个可解释和可调的安全目标。
2021-02-05 cs.AI
Explicit-risk-aware Path Planning with Reward Maximization
Texas A&M University(得克萨斯农工大学);Department of Computer Science and Engineering, Texas A&M University(得克萨斯农工大学计算机科学与工程系)
本文开发了一种路径规划器,该路径规划器最小化风险(例如,运动执行),同时最大化累积奖励(例如,传感器视点的质量)由非结构化或受限环境中的视觉辅助或跟踪场景激发。在这些场景中,机器人在向目标移动时应保持最佳视点。然而,在非结构化或受限的环境中,某些路径可能会增加碰撞的风险,因此存在风险和回报之间的权衡。传统的状态相关风险或概率不确定性建模不考虑路径级风险或难以获得。该风险-回报计划器明确地将风险表示为运动计划的函数,即,路径。该规划器无需手动分配风险对规划器造成的负面影响,而是采用预先建立的视点质量地图,并同时规划目标位置和通往目标位置的路径,以便在最小化风险的同时最大化沿着整个路径的总体回报。给出了精确算法和近似算法,并在一个实际的绳系飞行器上进行了求解。除了视觉辅助问题,该框架还提供了一个新的规划范式,以解决动态风险和缺乏子结构最优性的最小风险规划,并平衡回报和风险之间的权衡。
2019-03-07 cs.AI cs.RO
EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);AI Lab, Tencent(腾讯AI实验室);Robotics X, Tencent(腾讯Robotics X实验室);Nanjing University of Posts and Telecommunications(南京邮电大学)
针对基于基础模型的具身AI智能体任务规划缺乏物理风险意识的问题,提出EARBench自动化评估框架,通过多智能体协作评估风险,发现现有模型平均任务风险率达95.75%,为安全部署提供评估工具与研究方向。
2024-11-28 cs.AI
Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments
MIT, Computer Science;Artificial Intelligence Laboratory. These authors contributed equally to the paper.
针对含概率障碍物的不确定非凸动静环境,本文利用风险等值线将规划转化为确定性优化,并通过平方和凸优化实现无时间离散化的连续时间风险有界轨迹及最大安全管设计。
2023-06-04 cs.AI cs.RO math.OC
Risk-Aware Semantic Grounding for Trustworthy LLM-Based Robot Planning
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(波兰科学院理论与应用信息学研究所)
本文提出风险感知语义锚定框架,通过多维风险估计建模不确定性,使LLM机器人规划器能决定执行、澄清或拒绝指令,并在TRUST-NAV基准上显著提升模糊检测与冲突拒绝能力。
2026-09-30 cs.AI cs.RO
Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality
University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
本文通过实验比较AI、人类和混合规划模型,发现AI虽高效但风险评估差,人类虽灵活但成本高,提出混合框架提升规划质量。
2026-04-15 cs.AI cs.HC
Risk-averse Behavior Planning for Autonomous Driving under Uncertainty
Qualcomm AI Research(高通人工智能研究院);Qualcomm Automotive Research(高通汽车研究院)
自动驾驶车辆必须在周围环境中导航,并具有共享道路的其他物体的部分可观测性。自动驾驶车辆测量中的不确定性来源包括传感器融合误差、由于天气或目标检测延迟而导致的有限传感器范围、遮挡以及诸如其他人类驾驶员意图之类的隐藏参数。行为规划必须考虑所有来源的不确定性,在决定未来的车辆操纵。本文提出了一个可扩展的框架,风险规避行为规划下的不确定性,结合QMDP,无迹变换和蒙特卡罗树搜索(MCTS)。结果表明,置信上限(UCB)扩大树的结果在嘈杂的Q值估计的MCTS和QMDP的性能下降。提出了一种改进的MCTS动作选择过程,以实现鲁棒性能。
2018-12-04 cs.AI cs.RO
Short-term Maintenance Planning of Autonomous Trucks for Minimizing Economic Risk
KTH Royal Institute of Technology(瑞典皇家理工学院);Scania CV AB(斯堪尼亚商用车有限公司)
新的自动驾驶技术每天都在涌现,其中一些已经在现实世界中得到商业应用。在受益于这些技术的同时,自动驾驶卡车在短期维护计划方面也面临着新的挑战,这直接影响了卡车运营商的利润。在本文中,我们通过解决运输任务中自动驾驶卡车的维护规划问题来实现车辆健康管理系统。我们还提出了一个维修计划模型,使用基于风险的决策方法,确定维修决策与最小的经济风险的卡车公司。在评估经济风险时,同时考虑可用性损失和维护成本。我们证明了所提出的模型,说明现实世界的情况下,通过数值实验。在实验中,相比于三个基线方法,所提出的方法的预期经济风险降低了高达$47\%$。我们还对不同的模型参数进行了敏感性分析。分析表明,随着剩余使用寿命估计精度、订单取消前最大允许交货延迟时间和车间数量的增加,经济风险显著降低。实验结果有助于从经济的角度确定自动驾驶卡车未来的研究和开发注意事项。
2021-05-28 cs.AI cs.SY eess.SY
LaPlaSS: Latent Space Planning for Stochastic Systems
Massachusetts Institute of Technology(麻省理工学院)
针对动力学模型未知的随机系统智能体的风险有界轨迹规划需求,提出基于VAE潜空间线性动力学的“生成-检验”式LaPlaSS方法,实现高效且风险有界的规划,效率较前沿方法高一个数量级。
2024-04-10 cs.AI cs.RO
STEP: Stochastic Traversability Evaluation and Planning for Risk-Aware Off-road Navigation
University of Tokyo(东京大学);California Institute of Technology(加州理工学院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
虽然地面机器人自主性在结构化和受控环境中得到了广泛的应用,但在未知和越野地形中的自主性仍然是一个难题。极端、越野和非结构化的环境,如未开发的荒野、洞穴和瓦砾,给自主导航带来了独特而具有挑战性的问题。为了解决这些问题,我们提出了一种方法来评估可穿越性和规划一个安全的,可行的,快速的轨迹实时。我们的方法,我们命名为STEP(随机可通行性评估和规划),依赖于:1)快速的不确定性感知映射和可通行性评估,2)尾部风险评估使用的条件风险值(CVaR),和3)有效的风险和约束感知运动规划使用基于序列二次规划(SQP)模型预测控制(MPC)。我们分析了我们的方法在模拟和验证其有效性轮式和腿式机器人平台探索极端地形,包括废弃的地铁和地下熔岩管。
2021-06-25 cs.AI cs.RO cs.SY
Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
针对传统TAMP完全可观测、动作确定的假设局限,提出具备不确定性与风险感知的TAMPURA策略,在任务和控制器层进行不确定性推理,实验表明其性能优于确定性规划等方法,并在真实机器人问题中得到验证。
2024-10-06 cs.AI cs.RO
RS-Diffuser: Risk-Sensitive Diffusion Planning with Distributional Value Guidance
Northwestern Polytechnical University(西北工业大学)
提出RS-Diffuser,一种结合扩散轨迹生成与分布价值评论家的风险敏感离线规划框架,通过尾部感知目标引导去噪过程,实现灵活的风险偏好行为,在风险敏感D4RL和机器人导航基准上达到最优性能。
2026-06-29 cs.AI cs.LG cs.RO
Robust and Adaptive Planning under Model Uncertainty
Stanford University(斯坦福大学)
模型不确定性下的规划是许多决策和学习应用中的一个基本问题。在本文中,我们提出了鲁棒自适应蒙特卡罗规划(RAMCP)算法,它允许计算风险敏感的贝叶斯自适应政策,最佳权衡探索,剥削和鲁棒性。RAMCP制定的风险敏感规划问题作为一个两个玩家的零和游戏,其中一个对手扰动代理的信念模型。我们介绍两个版本的RAMCP算法。第一个,RAMCP-F,收敛到一个最佳的风险敏感的政策,而不必重建搜索树的基础上的信念模型被扰动。第二个版本,RAMCP-I,提高了计算效率的成本失去理论保证,但产生的经验结果相比,RAMCP-F。RAMCP是证明了一个N拉多臂土匪问题,以及病人的治疗方案。
2019-01-09 cs.AI cs.LG
Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving
RWTH Aachen University(亚琛工业大学);Monash University(莫纳什大学);Technical University of Munich (TUM)(慕尼黑工业大学)
RiskWorld通过流引导占用演化融合风险场与视觉特征,实现共享占用预测和选择性轨迹替换,在3秒视界上取得最低碰撞率,并以11.5 FPS高效运行。
2026-09-17 cs.AI cs.ET cs.LG
HERMES: A Holistic End-to-End Risk-Aware Multimodal Embodied System with Vision-Language Models for Long-Tail Autonomous Driving
Department of Civil and Environmental Engineering, University of Wisconsin–Madison(土木与环境工程系,威斯康星大学麦迪逊分校)
HERMES通过整合视觉-语言模型和多模态感知,提升自动驾驶在长尾混合交通场景中的风险感知和轨迹规划能力。
2026-09-25 cs.AI cs.RO
Safe Probabilistic Planning for Human-Robot Interaction using Conformal Risk Control
University of Washington, Department of Electrical and Computer Engineering(华盛顿大学电气与计算机工程系);University of Washington, Department of Aeronautics and Astronautics(华盛顿大学航空与航天系)
本文提出结合控制屏障函数与符合风险控制的方法,以提高人机交互中的安全性和效率。
2026-03-11 cs.AI cs.RO
Graphormer-Guided Task Planning: Beyond Static Rules with LLM Safety Perception
本文提出Graphormer增强的风险感知任务规划框架,通过构建动态时空语义安全图并结合LLM决策,实现超越静态规则的在线危险检测与自适应任务细化,在AI2-THOR实验中验证了其在风险检测准确性和任务适应性上的提升。
2025-03-10 cs.AI cs.RO
Risk Aware Adaptive Belief-dependent Probabilistically Constrained Continuous POMDP Planning
Technion - Israel Institute of Technology(以色列理工学院)
虽然风险意识是一个在线操作代理的基础,但在具有挑战性的连续域和部分可观测性下,它受到的关注较少。本文提出了一种新的公式和解决方案的风险厌恶的信念依赖的概率约束连续POMDP。我们解决了一个苛刻的设置依赖于信念的奖励和约束算子。概率置信度参数使我们的公式真正规避风险,比最先进的机会约束更灵活。我们严格的分析表明,在最严格的概率置信度的情况下,我们的配方是非常接近的机会约束。然而,我们的概率公式允许更快,更准确的自适应接受或修剪的行动履行或违反约束。此外,在任意置信参数下,我们没有找到与我们的方法类似的任何方法。我们提出了算法的解决方案,我们的配方在连续域。我们还使用重要性采样将机会约束方法提升到连续环境中。此外,我们提出的所有算法都可以使用粒子表示的参数和非参数信念。最后,我们给出了机会约束连续POMDP的一个近似,并对其进行了严格的分析和模拟。仿真结果表明,我们的算法表现出前所未有的celebrations相比,基线,在碰撞方面具有相同的性能。
2023-02-21 cs.AI cs.RO
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut(康涅狄格大学);Naval Undersea Warfare Center(海军水下作战中心)
在本文中,我们开发了一种新的算法,称为T $^{\star}$ -Lite,使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而,它使用的不是基于网格的方法,而是基于渐进最优采样的运动规划器。此外,它利用最近开发的广义多速度Dubins运动模型(GMDM)的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$,同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言,T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向,以生成更快、更安全的路径。在本文中,T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的,但适应其他运动规划器是简单的,取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Planning under non-rational perception of uncertain spatial costs
University of California at San Diego(加州大学圣迭戈分校)
本文研究了在不确定空间成本下考虑非理性风险感知的运动规划策略,提出基于累积前景理论(CPT)生成感知风险地图的方法,并通过理论和仿真验证了CPT模型的建模能力,与CVaR等其他风险感知模型相比,展示了在路径规划中的优势。
2020-10-20 cs.AI cs.LG cs.RO
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland(马里兰大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题,提出结合CVaR的风险敏感RRT*算法,在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
Using large language models for embodied planning introduces systematic safety risks
ETH Zurich(苏黎世联邦理工学院);University College London(伦敦大学学院);Stanford University(斯坦福大学);Northwestern University(西北大学);National University of Singapore(新加坡国立大学)
研究评估了大型语言模型在机器人规划中的安全性,发现即使规划能力高,安全风险仍显著存在,揭示了规划能力与安全意识之间的乘法关系。
2026-04-20 cs.AI cs.LG cs.RO
Importance Filtering with Risk Models for Complex Driving Situations
Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
自动驾驶汽车在拥挤的城市中行驶时面临着复杂的驾驶情况,有大量的代理。然而,一些智能体实际上并没有影响自动驾驶汽车的行为。过滤掉不重要的代理将固有地简化系统的行为或运动规划任务。然后,规划系统可以专注于更少的代理,以找到自我代理的最佳行为解决方案。这在计算效率方面尤其有用。因此,本文介绍了驾驶风险模型的重要性过滤的研究课题。我们概述了最先进的风险模型,并提出了新适应的风险模型进行过滤。他们的能力,过滤掉周围的不重要的代理商进行了比较,在一个大规模的实验。事实证明,新的轨迹距离很好地平衡了性能、鲁棒性和效率。基于这些结果,我们可以进一步推导出一种具有多个过滤步骤的新型过滤器架构,为每个步骤推荐风险模型,以进一步提高鲁棒性。我们相信,这将使当前的行为规划系统能够更好地解决日常驾驶中的复杂情况。
2023-03-13 cs.AI cs.RO
Case Studies for Computing Density of Reachable States for Safe Autonomous Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Ford Motor Company(福特汽车公司)
可达状态的密度可以帮助理解安全关键系统的风险,特别是在最坏情况可达性过于保守的情况下。最近的工作提供了一个数据驱动的方法来计算自治系统的前向可达状态的密度分布在线。在本文中,我们研究使用这种方法结合模型预测控制可验证的安全路径规划的不确定性。我们首先使用学习到的密度分布来在线计算碰撞风险。如果这种风险超过可接受的阈值,我们的方法将围绕先前的轨迹规划一条新的路径,碰撞风险低于阈值。我们的方法非常适合处理具有不确定性和复杂动态的系统,因为我们的数据驱动方法不需要系统动态的解析形式,并且可以估计具有任意初始不确定性分布的前向状态密度。我们设计了两个具有挑战性的场景(自动驾驶和气垫船控制)的安全运动规划的环境下,系统的不确定性障碍。我们首先表明,我们的密度估计方法可以达到类似的精度,基于蒙特卡罗的方法,而只使用0.01X的训练样本。通过利用估计的风险,我们的算法在执行高于0.99的安全率时达到了最高的成功率。
2022-09-16 cs.AI cs.RO cs.SY
Introducing Risk Shadowing For Decisive and Comfortable Behavior Planning
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI 欧洲))
针对城市驾驶群体交互问题,提出风险遮蔽态势理解方法,通过分析三智能体交互识别无需考虑的障碍物,作为规划更果断舒适的驾驶策略,在多种场景验证有效。
2023-07-20 cs.AI cs.RO cs.SY
Real-Time Tube-Based Non-Gaussian Risk Bounded Motion Planning for Stochastic Nonlinear Systems in Uncertain Environments via Motion Primitives
Massachusetts Institute of Technology(麻省理工学院);NASA Jet Propulsion Lab, California Institute of Technology(加州理工学院NASA喷气推进实验室)
针对长期任务中非高斯不确定性随时间增长导致现有方法失效的问题,提出离线运动原语与连续时间管结合在线SOS风险等值线验证的实时规划框架,提供有界碰撞概率保证。
2023-08-14 cs.AI cs.RO cs.SY
Risk-Aware Planning by Confidence Estimation using Deep Learning-Based Perception
Virginia Tech(弗吉尼亚理工大学);University of Maryland at College Park(马里兰大学帕克分校)
这项工作提出了使用贝叶斯近似的不确定性,从深度学习在机器人规划,这表明,在安全关键的情况下,这会产生更谨慎的行动。调查的案例研究的动机是由一个设置,空中机器人作为一个“侦察”的地面机器人。当下面的区域未知或危险时,这是有用的,可用于太空探索,军事或搜索和救援。从空中拍摄的图像用于提供较少遮挡的地图,以指导机器人在地面上的导航。使用深度学习语义图像分割进行实验,然后基于所得成本图进行路径规划,以提供对所提出方法的实证分析。与类似的方法进行比较,描绘的有用性,某些技术,或技术内的变化,在类似的实验设置。分析该方法,以评估不确定性提取的变化以及缺乏不确定性度量对整个系统的影响,并使用定义的度量来衡量计划者的意外。分析是在多个数据集上进行的,当不确定性信息被纳入规划中时,显示出类似的较低惊喜的趋势,给定的不确定性提取中的超参数的阈值已经满足。我们发现,将不确定性考虑在内,会导致风险平均降低18%。
2019-09-13 cs.AI cs.CV cs.LG