融合风险脉冲驾驶风险场与时空语义走廊的高速公路风险感知轨迹规划方法

《Machines》：Trajectory Planning for Highway Autonomous Driving by Integrating a Risk-Pulse Driving Risk Field with a Spatiotemporal Semantic Corridor

　　本研究提出了一种高速公路轨迹规划方法，该方法融合了风险脉冲驾驶风险场（RPDRF）与时空语义走廊（SSC），以增强前瞻风险量化及其在行为决策与轨迹优化之间的传递。轨迹预测为动态、静态、统一和风险演化场提供信息。车道级风险聚合支持多策略机动选择，而边界场梯度目标和凸二次风险成本则在SSC内引导分段贝塞尔轨迹。评估使用了27个源自实地数据的高速公路路段，涵盖跟车、变道、超车和弯道驾驶。平均规划阶段时间为167.82毫秒，超车综合得分为0.918。四场景宏观平均分、最低场景得分和平均归一化指标得分分别为0.722、0.533和0.745，均超过基线汇总值。泛化评估报告称，在SQM-W-2和US101数据集的变道和超车场景以及US101数据集的弯道驾驶场景中，综合得分的点估计值最高。完整配置具有最高的消融宏观平均分；主要宏观平均分差异的95%描述区间下界以及留一法路段检查中的最小差异均为正值。这些结果表明，该方法在不同数据集间具有适应性潜力，并且在所评估的重构高速路条件下具有稳定的一致性比较性能。该框架连接了时空风险感知与语义约束，为复杂高速公路场景中的风险引导轨迹规划提供了一种可解释的方法。