本文介绍的是 arXiv 于 2026 年 10 月 23 日提交的一篇机器人学论文（arXiv:2610.33186v1，cs.RO 分类），题为《通过不确定性感知管线实现可解释的碰撞规避与可行性保证》，作者为 Doris Xu 及其他四位合著者。论文关注的核心问题是：在交叉路口、环岛等动态且具有挑战性的场景中运行的自动驾驶车辆（AV），既要保证在不确定性下的碰撞规避，又要保持实时可行性。而现有的大多数规划器难以同时满足这两项要求。
作者在摘要中指出，现有方法各有短板。机会约束（chance-constrained）形式将安全约束直接嵌入优化问题，但随着不确定性累积，问题会变得不可行；确定性规划器虽然能给出可行解，却无法处理导致碰撞的不确定性；端到端学习策略则无法以可解释的形式提供上述任何一种保证。
针对这一空白，论文提出一种模块化的感知—预测—规划管线，其关键思想是把不确定性作为结构化的、可解释的量，跨模块边界传递。与把概率风险直接嵌入优化不同，该管线在上游先行处理碰撞概率，并构建凸安全集，规划器在每个控制周期都在该安全集内给出有保证的可行解，从而把安全保证与求解器可行性解耦。
在四向无信号交叉路口的蒙特卡洛试验中，该管线实现了 0% 碰撞率与 0% 求解器不可行率，每个周期耗时 12.7 毫秒；相比之下，确定性基线和机会约束基线的碰撞率分别为 36% 和 10%。消融实验确认了每一种不确定性来源的必要性，而在 Clearpath Jackal 无人地面车辆上的硬件部署则验证了该管线在物理平台上的实时可行性。
论文全文以 PDF 及实验性 HTML 形式提供，并附有 TeX 源码与许可信息。该文于 2026 年 10 月 23 日 18:29:09 UTC 提交，文件大小 588 KB，DOI 为 10.48550/arXiv.2610.33186（由 DataCite 发放，尚待注册）。页面还提供音频摘要、参考文献与引用工具（Google Scholar、Semantic Scholar、SciX 等）、代码与数据关联工具（alphaXiv、CatalyzeX、DagsHub、Hugging Face 等）以及相关论文推荐工具。