定位不确定性下自动驾驶的信念空间残余风险

在自动驾驶系统的安全评估中，残余风险指标近年来被引入以衡量系统在感知和延迟方面的缺陷。残余风险被定义为在感知误差和延迟存在下，系统实际行为与期望行为之间的差异所导致的风险。然而，现有方法通常假设自车位姿是确定已知的，主要关注周围物体的感知误差以及通信或计算延迟带来的影响。但在实际应用中，特别是在复杂的城市环境和恶劣天气条件下，自动驾驶车辆面临着显著的定位不确定性。例如，GPS信号遮挡或多路径效应、IMU漂移、以及地图匹配误差都会导致自车位置和姿态的估计偏差。这些定位不确定性会直接影响碰撞风险计算的准确性。为了解决这一问题，由Nijinshan Karunainayagam等人提出的最新工作将空间残余风险扩展到信念空间，通过将自车位姿不确定性显式建模为高斯分布，重新定义了残余风险为自车位姿信念分布上的期望退化风险。具体来说，该方法采用了基于粒子滤波的风险估计框架，其中定位不确定性通过自车与目标不确定性的协方差融合被纳入碰撞概率的计算。粒子滤波允许对自车位姿的后验分布进行近似，并通过重要性采样计算期望风险。与传统的确定性假设相比，这种信念空间方法能够更真实地反映实际运行中的安全裕度，避免了在不确定性较大时对风险的乐观估计。该研究已被IEEE智能交通系统会议（ITSC）2026接收，全文共7页，最终版本将在IEEE Xplore上发布。这一工作为在位置不确定性下评估自动驾驶系统的安全性提供了新的视角，尤其适用于复杂城市道路和恶劣天气等挑战性场景。未来，该方法有望与感知不确定性建模相结合，进一步完善自动驾驶的安全验证体系。该研究不仅具有理论意义，还为实际系统中的风险量化提供了可操作的框架。