本文作者：邱迪聪将门好声音第·53·期本文将分享机器人领域国际顶级会议 RSS 2020 入选论文《Latent Belief Space Motion Planning under Cost， Dynamics， and Intent Uncertainty》，三位作者均来自由MIT 和Founders Fund 投资的自动驾驶初创公司 iSee．ai。该论文提出了一种新的轨迹规划与优化算法PODDP，可以在连续空间（包括状态、动作及观测空间）中处理多模态（非正态分布）的不确定性。论文还分别展示了PODDP 算法在目标函数、本体系统运动学以及其他个体意图含有不确定性等三个不同的连续空间POMDP 问题下的效果，其表现均显著优于另外两种 baseline 算法。

关于作者：

Dicong Qiu （邱迪聪），是该论文的第一作者， 在iSee．ai 主要从事自动驾驶中行为决策与动作规划和认知科学结合的相关工作，此前就读于 CMU 的机器人专业，从事人工智能、轨迹优化及星球探测车等研究，期间在美国宇航局喷气动力实验室（NASA Jet Propulsion Laboratory）实习，为Mars 2020 及其他星球探测器提供智能视觉认知功能。另外两位作者Yibiao Zhao （赵一彪） 和Chris L． Baker 此前均在Josh Tenenbaum 带领的MIT 计算认知科学实验室从事相关研究，现在分别是iSee．ai 的CEO和首席科学家。

Q ＆ A该工作的研究团队将在下周举行的RSS 2020 主会上进行在线答疑，欢迎各位莅临参与讨论。以下是其论文的在线答疑时间安排。

一、动机与简介

在真实的行车场景中，由于无法直接得知其他车辆驾驶者的性格与意图，所以广泛地存在各种不确定性。全面地考虑且有效地应对这些不确定性，对安全驾驶，特别是在高速或者复杂的情景下，至关重要。例如在以下的两个真实场景中，我们的自动驾驶卡车在高速公路上便遇到了进行野蛮变道以及在没有打亮指示灯就进行并道的车辆，故而需要时刻关注和评估附近其他车辆的意图、预测对方的行为并作出相应的反应（例如减速避让或者加速让出尾部空间等）。

真实场景1：野蛮变道。一辆车从左侧突然出现，并在几秒钟内连续横跨三条车道直奔高速公路出口。

真实场景2：无指示灯变道。一辆车从左侧冒出，并且在完全没有打转向指示灯的情况下直接变道。

在这些场景下，动作轨迹需要在连续的状态－动作空间中规划，而对不确定因素的观测同样需要在连续空间中进行。虽然现有的方法可以处理连续空间中的POMDP 问题，但它们基本上都假设了不确定因素的观测服从正态分布。
而在真实应用中，多模态不确定性普遍存在。例如，旁侧车辆除了在位置和速度等状态上存在着服从正太分布的噪声，其驾驶者的性格也存在着另一层的离散型不确定性分布：该驾驶者可能是比较礼让的，但也可能是比较激进的。对于这种非正态分布的多模态不确定性POMDP 问题，传统方法并未很好地解决，这也正是该论文提出的PODDP 算法希望解决的核心问题。