49、人机交互中的主动不确定性降低与相关路径规划问题探讨

人机交互中的主动不确定性降低与相关路径规划问题探讨

人机交互中的主动不确定性降低

在人机交互场景中，机器人面临着人类行为不确定性的挑战，为了应对这一问题，提出了隐式双情景树的随机模型预测控制（ID - SMPC）规划器。

安全保障策略

为了确保机器人在与人类交互过程中的安全性，有两种策略：
- 概率约束 ：用机会约束替代特定约束（6e），得到概率安全保证，即(P [x \in F] \leq \beta)，其中(\beta)是容忍度水平，前提是(x \in F)能写成一组不等式约束。已有研究为具有动态障碍物的机会约束ST - SMPC问题建立了(\beta)的解析界限和概率可行性保证。
- 软约束 ：这是一种简单有效的技术，常用于模型预测控制（MPC）以确保闭环系统的安全性。它通过松弛原始硬约束，引入松弛变量，虽然不能保证闭环系统完全满足(x \notin F)，但由于主动降低了人类的不确定性，与基线方法相比，显著降低了碰撞率。

仿真设置与对比基线

在模拟驾驶场景中对ID - SMPC规划器进行评估，人类驾驶的车辆使用博弈论模型进行模拟。将其与四个基线规划器进行对比：
|规划器名称|特点|
| ---- | ---- |
|显式双SMPC（ED - SMPC）规划器|在阶段成本(\ell_R)中增加信息增益项(\lambda(H(b_k) - H(b_{k + 1})))，(\lambda > 0)是微调的加权因子|
|非双情景树的SMPC（ND - SMPC）规划器|基于求解（6），情景树不