信念空间MPC框架让驾驶决策随清晰度调整保守性

Youran Wang、Devodita Chakravarty、Yiwei Lyu 提出统一的信念空间模型预测控制（MPC）框架，把多步信息规划与清晰度自适应的条件风险价值（CVaR）屏障机制耦合，将清晰度作为显式规划变量：模糊度高时收紧保守性，置信度提升后放宽约束，以缓解预测与规划解耦导致的“冻结机器人问题”。作者称，性能分析显示信息获取成本及相对已知真实人类特性控制器的期望规划成本差距，受残余模糊度与求解器误差约束。 在车道汇入和无信号交叉口场景中，与代表性交互式规划基线对比，5,000次仿真里该方法取得最高成功率（94.6%和93.2%）和最低碰撞率（1.2%和1.4%）。论文为8页预印本，已投稿ICRA 2027，结果均来自仿真。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。