本文作者：邱迪聰將門好聲音第·53·期本文將分享機(jī)器人領(lǐng)域國際頂級會議 RSS 2020 入選論文《Latent Belief Space Motion Planning under Cost， Dynamics， and Intent Uncertainty》，三位作者均來自由MIT 和Founders Fund 投資的自動駕駛初創(chuàng)公司 iSee．a(chǎn)i。該論文提出了一種新的軌跡規(guī)劃與優(yōu)化算法PODDP，可以在連續(xù)空間（包括狀態(tài)、動作及觀測空間）中處理多模態(tài)（非正態(tài)分布）的不確定性。論文還分別展示了PODDP 算法在目標(biāo)函數(shù)、本體系統(tǒng)運動學(xué)以及其他個體意圖含有不確定性等三個不同的連續(xù)空間POMDP 問題下的效果，其表現(xiàn)均顯著優(yōu)于另外兩種 baseline 算法。

關(guān)于作者：

Dicong Qiu （邱迪聰），是該論文的第一作者， 在iSee．a(chǎn)i 主要從事自動駕駛中行為決策與動作規(guī)劃和認(rèn)知科學(xué)結(jié)合的相關(guān)工作，此前就讀于 CMU 的機(jī)器人專業(yè)，從事人工智能、軌跡優(yōu)化及星球探測車等研究，期間在美國宇航局噴氣動力實驗室（NASA Jet Propulsion Laboratory）實習(xí)，為Mars 2020 及其他星球探測器提供智能視覺認(rèn)知功能。另外兩位作者Yibiao Zhao （趙一彪） 和Chris L． Baker 此前均在Josh Tenenbaum 帶領(lǐng)的MIT 計算認(rèn)知科學(xué)實驗室從事相關(guān)研究，現(xiàn)在分別是iSee．a(chǎn)i 的CEO和首席科學(xué)家。

Q ＆ A該工作的研究團(tuán)隊將在下周舉行的RSS 2020 主會上進(jìn)行在線答疑，歡迎各位蒞臨參與討論。以下是其論文的在線答疑時間安排。

一、動機(jī)與簡介

在真實的行車場景中，由于無法直接得知其他車輛駕駛者的性格與意圖，所以廣泛地存在各種不確定性。全面地考慮且有效地應(yīng)對這些不確定性，對安全駕駛，特別是在高速或者復(fù)雜的情景下，至關(guān)重要。例如在以下的兩個真實場景中，我們的自動駕駛卡車在高速公路上便遇到了進(jìn)行野蠻變道以及在沒有打亮指示燈就進(jìn)行并道的車輛，故而需要時刻關(guān)注和評估附近其他車輛的意圖、預(yù)測對方的行為并作出相應(yīng)的反應(yīng)（例如減速避讓或者加速讓出尾部空間等）。

真實場景1：野蠻變道。一輛車從左側(cè)突然出現(xiàn)，并在幾秒鐘內(nèi)連續(xù)橫跨三條車道直奔高速公路出口。

真實場景2：無指示燈變道。一輛車從左側(cè)冒出，并且在完全沒有打轉(zhuǎn)向指示燈的情況下直接變道。

在這些場景下，動作軌跡需要在連續(xù)的狀態(tài)－動作空間中規(guī)劃，而對不確定因素的觀測同樣需要在連續(xù)空間中進(jìn)行。雖然現(xiàn)有的方法可以處理連續(xù)空間中的POMDP 問題，但它們基本上都假設(shè)了不確定因素的觀測服從正態(tài)分布。
而在真實應(yīng)用中，多模態(tài)不確定性普遍存在。例如，旁側(cè)車輛除了在位置和速度等狀態(tài)上存在著服從正太分布的噪聲，其駕駛者的性格也存在著另一層的離散型不確定性分布：該駕駛者可能是比較禮讓的，但也可能是比較激進(jìn)的。對于這種非正態(tài)分布的多模態(tài)不確定性POMDP 問題，傳統(tǒng)方法并未很好地解決，這也正是該論文提出的PODDP 算法希望解決的核心問題。