本文作者：邱迪聰將門好聲音第·53·期本文將分享機器人領域國際頂級會議 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 算法在目標函數(shù)、本體系統(tǒng)運動學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)劃和認知科學結合的相關工作，此前就讀于 CMU 的機器人專業(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，為Mars 2020 及其他星球探測器提供智能視覺認知功能。另外兩位作者Yibiao Zhao （趙一彪） 和Chris L． Baker 此前均在Josh Tenenbaum 帶領的MIT 計算認知科學實驗室從事相關研究，現(xiàn)在分別是iSee．a(chǎn)i 的CEO和首席科學家。

Q ＆ A該工作的研究團隊將在下周舉行的RSS 2020 主會上進行在線答疑，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對這些不確定性，對安全駕駛，特別是在高速或者復雜的情景下，至關重要。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行野蠻變道以及在沒有打亮指示燈就進行并道的車輛，故而需要時刻關注和評估附近其他車輛的意圖、預測對方的行為并作出相應的反應（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了不確定因素的觀測服從正態(tài)分布。
而在真實應用中，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。