本文介紹的是 arXiv 於 2026 年 10 月 23 日提交的一篇機器人學論文（arXiv:2610.33186v1，cs.RO 分類），題為《透過不確定性感知管線實現可解釋的碰撞規避與可行性保證》，作者為 Doris Xu 及其他四位合著者。論文關注的核心問題是：在交叉路口、環島等動態且具有挑戰性的場景中執行的自動駕駛車輛（AV），既要保證在不確定性下的碰撞規避，又要保持即時可行性。而現有的大多數規劃器難以同時滿足這兩項要求。
作者在摘要中指出，現有方法各有短板。機會約束（chance-constrained）形式將安全約束直接嵌入最佳化問題，但隨著不確定性累積，問題會變得不可行；確定性規劃器雖然能給出可行解，卻無法處理導致碰撞的不確定性；端到端學習策略則無法以可解釋的形式提供上述任何一種保證。
針對這一空白，論文提出一種模組化的感知—預測—規劃管線，其關鍵思想是把不確定性作為結構化的、可解釋的量，跨模組邊界傳遞。與把機率風險直接嵌入最佳化不同，該管線在上游先行處理碰撞機率，並構建凸安全集，規劃器在每個控制週期都在該安全集內給出有保證的可行解，從而把安全保證與求解器可行性解耦。
在四向無訊號交叉路口的蒙特卡洛試驗中，該管線實現了 0% 碰撞率與 0% 求解器不可行率，每個週期耗時 12.7 毫秒；相比之下，確定性基線和機會約束基線的碰撞率分別為 36% 和 10%。消融實驗確認了每一種不確定性來源的必要性，而在 Clearpath Jackal 無人地面車輛上的硬體部署則驗證了該管線在物理平臺上的即時可行性。
論文全文以 PDF 及實驗性 HTML 形式提供，並附有 TeX 原始碼與許可資訊。該文於 2026 年 10 月 23 日 18:29:09 UTC 提交，檔案大小 588 KB，DOI 為 10.48550/arXiv.2610.33186（由 DataCite 發放，尚待註冊）。頁面還提供音訊摘要、參考文獻與引用工具（Google Scholar、Semantic Scholar、SciX 等）、程式碼與資料關聯工具（alphaXiv、CatalyzeX、DagsHub、Hugging Face 等）以及相關論文推薦工具。