摘要
在动态环境中，自主机器人的导航依赖于传感器生成的占用图，而这些地图常常会因遮挡、定位误差、动态障碍物、观测不完整以及感知噪声而质量下降。这些不确定性可能导致原本看似简短的路径在实际使用中变得危险，因此需要在传感器生成的地图存在不确定性的情况下，采用更为保守的路径选择策略来进行碰撞避免的路径规划。我们提出了保守型鲁棒路径选择（CRRS）这一框架，它是一种基于有限场景的鲁棒优化与路径选择方法，用于在存在此类不确定性的情况下进行自主机器人路径规划。CRRS会构建多种候选路径，仅利用正常情况及合理场景下的信息来评估每条路径，同时还会应用一种保守的验证规则——除非某条候选路径满足预定的可行性、风险、间隙度及成本比率标准，否则就会默认选择最安全的路径组合。该评估流程包括实现情况审核、候选路径扩展、基于验证的筛选器设计、固定规则确认、公开基准测试验证、模拟传感器模型验证，以及控制性的验证与保留数据对比测试。在基于MovingAI格式构建的30个测试领域中，候选路径扩展在150组匹配数据中找到了113组严格安全且性能更优的候选路径；而固定规则筛选器则将潜在碰撞概率从0.1250降低到0.0807，将保留数据中的碰撞概率从0.3053降至0.2937。在另一个包含260个查询任务、起点与终点最小距离为100个单元格的官方长距离MovingAI测试集中，CRRS将场景组合方法的保留数据碰撞概率从0.9648降低到0.8822，其中141次测试成功，0次失败，119次结果持平。在另外针对200个官方查询任务进行的、基于激光雷达/SLAM技术的模拟传感器模型验证中，与场景组合方法相比，CRRS也将保留数据中的碰撞概率从0.4059降低到0.3768。通过验证与保留数据对比测试可以确认，正是那种保守的规则起到了关键作用：在260个测试任务中，CRRS与仅采用CVaR方法的成果相比有73次出现差异，但在所有对比中其保留数据碰撞概率都更低或相等，而且没有出现CVaR方法相对于场景组合方法所导致的18次严重失败情况。需要明确的是，CRRS的优势仅体现在提升整体路径的鲁棒性方面，相较于那些强大的场景组合默认策略而言确实更具优势，不过实时部署、经过校准的传感器集成、实体机器验证、不同环境条件下的性能变化以及针对特定基准测试的不确定性模型等问题，目前仍属于该技术的局限之处。
