不确定性下的运动规划：将基于学习的多模态预测器集成到分支模型预测控制中
Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
AI总结：
本文提出将多模态预测器与分支模型预测控制相结合的框架，通过拓扑与碰撞风险引导的场景选择和自适应决策推迟策略，在交通交叉口和高速公路合流场景中提升自动驾驶的实时性、舒适性与安全性。
摘要：
在复杂交通环境中，自动驾驶车辆面临关于其他智能体未来行为的多模态不确定性。为解决这一问题，基于学习的运动预测器的最新进展能够输出多模态预测。我们提出了一个新颖框架，利用分支模型预测控制（BMPC）来处理这些预测。该框架包含一个由拓扑和碰撞风险准则引导的在线场景选择过程，能够高效地选择最小预测集，使BMPC具备实时运行能力。此外，我们引入了一种自适应决策推迟策略，将规划器对单一场景的承诺延迟到不确定性得到解决之后。我们在交通交叉口和随机高速公路合流场景中的综合评估表明，所提方法提升了舒适性和安全性。
英文摘要：
In complex traffic environments, autonomous vehicles face multi-modal uncertainty about other agents' future behavior. To address this, recent advancements in learningbased motion predictors output multi-modal predictions. We present our novel framework that leverages Branch Model Predictive Control(BMPC) to account for these predictions. The framework includes an online scenario-selection process guided by topology and collision risk criteria. This efficiently selects a minimal set of predictions, rendering the BMPC realtime capable. Additionally, we introduce an adaptive decision postponing strategy that delays the planner's commitment to a single scenario until the uncertainty is resolved. Our comprehensive evaluations in traffic intersection and random highway merging scenarios demonstrate enhanced comfort and safety through our method.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
