论文标题：Reachability-Based Confidence-Aware Probabilistic Collision Detection in Highway Driving

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2023.10.010

微信链接：点击此处阅读微信文章

伦敦玛丽女王大学 Xinwei Wang 领衔的国际研究团队，成功研发出一种基于可达性的置信度感知概率碰撞检测框架。相关研究以 “Reachability-Based Confidence-Aware Probabilistic Collision Detection in Highway Driving”（高速公路车辆行驶中基于可达性的置信度感知概率碰撞检测）为题在中国工程院院刊《Engineering》发表。

随着自动驾驶技术的发展，确保车辆在行驶过程中的安全至关重要。尤其是在高速公路场景下，车辆行驶速度快，一旦发生碰撞，后果不堪设想。此前的可达性分析方法，如前向可达集（FRS）和后向可达集（BRS），虽在驾驶安全验证方面有一定作用，但都存在过度保守的问题，容易导致误报风险事件。

图 1. 集成碰撞检测框架示意图。t：当前时间步长；t0：初始时间步长。

此次研究提出的集成框架，创新性地结合了 BRS 和随机 FRS 两种技术。在该框架中，首先利用 BRS 通过 偏微分方程（HJI PDE）进行计算，检查双车交互是否安全。BRS 能直接识别不安全区域，若车辆相对位置不在 BRS 识别的不安全区域内，理论上可确保驾驶安全；若在不安全区域内，则进一步建立随机 FRS 来计算未来每个时间步长的碰撞概率。

为构建随机 FRS，研究团队开发了基于神经网络的周边车辆加速度模型。该模型分为变道机动预测和加速度预测两个阶段，利用长短期记忆（LSTM）网络，结合当前和历史车辆信息，概率性地预测未来车辆加速度。同时，研究人员还加入了置信度感知置信向量。当模型预测精度较高时，能产生集中的随机 FRS；当车辆意外移动时，则产生更分散的随机 FRS，从而动态调整预测的置信度，提高碰撞检测的准确性。

图 2. 加速度预测模型概述，由变道机动预测（LC）和加速度预测（A）模块组成。这两个模块都具有编码-解码器结构，但以不同的方式采用和处理历史信息作为输入。Concat：串联操作，FC：全连接层，T-LSTM：轨迹预测模型。

研究人员利用德国高速公路自然驾驶数据的 highD 数据集对加速度预测模型进行训练和测试，并与现有预测模型比较。结果显示，新提出的两阶段加速度预测模型（T-LSTMa）在各项指标上表现优异，预测精度更高。在对置信度感知的位置预测和碰撞估计的测试中，研究发现注入置信度感知能有效提高预测精度，特别是在变道场景中。而且，PSRS-5β 等基于预测的置信度感知方法，在识别风险插入事件中的潜在碰撞方面灵活且有效，还能避免安全临界但无碰撞事件中的误报。

此外，研究人员对集成碰撞检测框架进行测试，结果表明该框架能准确识别潜在碰撞事件。在计算效率方面，该框架适合实时风险评估应用，与 BRS 结合可节省时间，且在大多数车辆交互不重要的情况下，能降低功耗。

这一研究成果为高速公路驾驶安全提供了更可靠的保障。不过，目前该方法假设使用先进 GPU 进行计算，未来需实现更低功耗的硬件。同时，预测器的训练数据集还可进一步多样化，以拓展应用场景。相信在科研人员的不断努力下，未来的道路出行将更加安全。

引用信息：

Xinwei Wang, Zirui Li, Javier Alonso-Mora, Meng Wang. Reachability-Based Confidence-Aware Probabilistic Collision Detection in Highway Driving. Engineering, 2024, 33(2): 90–107

Open access

开放获取论文

https://doi.org/10.1016/j.eng.2023.10.010

更多内容

基于逆强化学习理论，智能车辆拟人化避障轨迹规划取得新进展

新型控制框架为智能网联汽车编队安全保驾护航

同济大学研究团队：基于安全合理探索与利用的自动驾驶自进化决策规划

浙大研究：完全自动驾驶汽车发生事故，乘客要担责吗？

李静海院士团队：未来数据系统的逻辑与架构