交差点やラウンドアバウトのような動的で困難な条件で動作する自動運転車（AV）は、不確実性の下で衝突回避を保証しつつ、リアルタイムの実行可能性を維持する必要がある。しかし、既存の計画器の多くはこれら二つの要件を同時に保証することが難しい。チャンス制約付き定式化は安全制約を最適化に直接埋め込むが、不確実性が累積すると実行不能に陥る。決定論的計画器は実行可能な解を提供するが、衝突の原因となる不確実性に対処できない。エンドツーエンドの学習ポリシーは、解釈可能な形でどちらの保証も提供しない。
この課題に対して、Doris Xuら5名の著者はモジュール式の知覚-予測-計画パイプラインを提案する。このパイプラインの核心は、不確実性を構造化され解釈可能な量としてモジュール境界を越えて伝播させることにある。確率的リスクを最適化に直接埋め込むのではなく、上流で衝突確率を解決し、凸安全集合を構築する。計画器は各制御サイクルにおいて、この安全集合内で実行可能な解を保証される。これにより、安全保証とソルバーの実行可能性が分離され、不確実性が増大しても計画器が制約衝突で失敗しない。
提案手法の有効性を検証するため、研究チームは四方向無信号交差点でモンテカルロ試行を実施した。結果として、パイプラインは衝突0%、ソルバー実行不能0%を達成し、1サイクルあたり12.7ミリ秒で動作した。比較対象である決定論的ベースラインの衝突率は36%、チャンス制約付きベースラインは10%であった。アブレーション研究は各不確実性源の必要性を確認し、いずれかを無視すると全体性能が低下することを示した。
さらに、研究チームはパイプラインをClearpath Jackal無人地上車両（UGV）に展開し、物理プラットフォーム上でのリアルタイム実行可能性を検証した。ハードウェア実験は、実際の自動運転システムに求められる計算効率と応答速度の要件を満たすことを示している。この研究は、不確実性を最適化の内部に隠すのではなく、明示的に伝播・解釈することで、安全を保証しつつ求解の実行可能性を維持し、システム動作の解釈可能性を高める新たな方向性を提示するものである。