IROS 2025 | 自动驾驶新范式!本田研究院提出主动探测框架:多模态预测 + 运动规划双 SOTA

自动驾驶车辆在复杂路况下的决策难题，一直是行业攻关的核心。面对其他车辆行为的不确定性，传统规划算法要么过度保守导致通行效率低下，要么决策失误引发安全风险。近期一篇发表于IROS 2025的研究论文，提出了一套融合多模态预测与主动探测的运动规划框架，让智能车能主动"探知"周边车辆意图，在安全与效率之间找到最优解。

论文信息

题目： Active Probing with Multimodal Predictions for Motion Planning

基于多模态预测主动探测的运动规划方法

作者：Darshan Gadginmath, Farhad Nawaz, Minjun Sung, Faizan M Tariq, Sangjae Bae, David Isele, Fabio Pasqualetti, Jovin D’sa

一、核心痛点：预测模糊让自动驾驶"举棋不定"

当下的自动驾驶轨迹预测模型，即便用上Transformer、图神经网络等先进架构，仍摆脱不了数据局限。Waymo、NuScenes这类主流数据集，难以覆盖所有人类驾驶风格；传感器质量波动，又会额外增加预测不确定性。

就像下图（图1）展示的场景：红色自车计划并入右侧车道，黄色车辆周边的彩色椭球体，代表其他车辆轨迹的多模态预测结果。当预测模型给车辆1的多条轨迹分配相近概率时，自车若一味保守等待，可能造成交通拥堵；可贸然并线，又有碰撞风险。

被动等待的策略，只会让自车频繁刹车、加速，既影响通行效率，也降低乘坐体验。而这篇论文的核心思路，就是让自车主动采取策略性动作，比如小幅加速或微调方向，促使周边车辆暴露行驶意图——攻击性驾驶员可能保持车速，防御性驾驶员大概率会让行。通过这类交互，自车能快速掌握关键信息，做出更精准的轨迹规划。

二、方法总览：三位一体的主动探测规划框架

这篇论文构建的框架，把轨迹规划、多模态预测、在线行为推理整合为一体，核心分为三个核心模块：效用最大化、基于风险评估的安全性保障、主动探测的行为推断。整个框架以模型预测控制的方式运行，每一时间步都重新规划轨迹，确保决策的实时性与适应性。

（注：此处需补充方法总体结构图，因原文未直接提供，可基于论文逻辑描述+示意：框架输入为自车与周边智能体的状态、多模态预测轨迹；第一层是效用计算，锚定参考轨迹优化驾驶舒适性与效率；第二层是风险评估，量化多模态预测下的碰撞风险；第三层是主动探测，通过策略动作更新对周边车辆行为参数的估计；最终输出最优控制序列，指导自车行驶。）

三、关键创新：从风险度量到主动探测的层层突破

1. 更精准的风险度量：不只是算距离，更要量化不确定性

传统风险评估常聚焦极端情况，却忽略了多模态预测的分布特性。这篇研究提出的风险度量方法，结合了高斯混合模型与Wasserstein距离，能精准捕捉自车与周边车辆轨迹分布的差异。

如下图（图2）所示，场景中有两辆周边车辆：智能体1有3条预测轨迹（红、黑、绿），智能体2有2条预测轨迹（紫、青）。图2(b)清晰展示了不同时间点各轨迹的风险值——智能体1中与自车轨迹重叠的红色轨迹风险最高，智能体2中与自车平行的紫色轨迹，全程保持高风险，而偏离自车的青色轨迹风险随时间降低。

这个风险度量的优势在于，既考虑了轨迹位置的远近，也纳入了预测的不确定性。比如对不确定性高的轨迹，会要求自车保持更大安全距离；且该方法能通过闭式解计算，保证了实时性，不会给算力带来额外负担。

2. 更智能的主动探测：不盲目试探，只在安全范围内"套信息"

主动探测的核心，是让自车通过动作获取周边车辆的行为参数。研究团队改进了玻尔兹曼决策模型，把自车动作对周边车辆奖励函数的影响纳入考量——周边车辆的轨迹概率，会随自车动作带来的交互结果变化。

具体来说，自车会先对周边车辆的行为参数（比如是否激进、是否倾向让行）做初始猜测，构建信念分布。之后通过贝叶斯规则，结合交互结果更新这个分布；再通过KL散度量化信息增益，判断探测动作是否有效。

值得注意的是，这套探测机制有严格的安全阈值：若某条预测轨迹的风险值超过设定阈值，自车会立刻停止对该轨迹的探测，避免为了获取信息而冒碰撞风险。这种设计，让主动探测始终在安全边界内进行，既保证了探知效率，又守住了安全底线。

3. 更高效的优化目标：平衡效用、安全与信息增益

整个框架的优化目标，同时兼顾三类需求：一是跟踪参考轨迹，保证驾驶效率与舒适性；二是最大化期望安全奖励，降低碰撞概率；三是最大化行为参数的信息增益，提升后续决策的精准度。

通过调整三类目标的权重，框架能适配不同场景——比如拥堵路段侧重效率，学校周边侧重安全，陌生路段侧重信息收集。这种灵活的权重设计，让算法能应对复杂多变的真实路况。

四、实验验证：在MetaDrive中跑出来的硬实力

研究团队在MetaDrive仿真环境中，针对并线和无信号十字路口两大高难度场景，对算法进行了全面验证。

1. 变道场景：精准识别驾驶风格，灵活调整并线策略

在有3辆交互车辆的并线场景中，算法展现出极强的行为识别能力：

• 当目标车道最后一辆车是防御性风格时，自车能探测到其让行倾向，安全并入该车前方；
• 当中间车辆偏向防御、其余车辆激进时，算法能精准捕捉这一特征，利用间隙完成并线；
• 当所有车辆都呈攻击性时，算法会选择保守策略，在最后一辆车后方安全并线。

即便面对时变行为的车辆（比如前2秒防御、后切换为激进），算法也能通过粒子滤波器，延迟极小地检测到行为变化，及时调整并线策略。

200次蒙特卡洛模拟结果显示（表2），这套主动探测算法的并线成功率远超传统机会约束规划器，且并线时间更短；虽然加加速度略高，但整体通行效率与安全性的提升十分显著。

2. 十字路口场景：无信号也能安全高效通行

在有7辆由强化学习控制的车辆的无信号十字路口场景中（图6），算法的优势同样明显：

200次模拟的统计结果（表3）显示，该算法的十字路口穿越成功率、无碰撞率均为最高，且穿越速度更快；即便与其他车辆的间隙更小，也能通过精准的风险控制，保证行驶安全，加加速度与传统算法持平，不会影响乘坐体验。

五、总结与展望：让自动驾驶更懂"社交"

这篇论文的核心价值，在于跳出了"被动预测"的思维定式，让自动驾驶车辆具备主动"探知"和"交互"的能力。通过统一的框架整合预测、风险评估与主动探测，既解决了多模态预测的不确定性难题，又提升了复杂场景下的决策效率与安全性。

当然，这项研究仍有拓展空间：比如构建更通用的行为模型，适配更多元的驾驶风格；优化计算流程，进一步降低算力消耗。但不可否认，这套主动探测的思路，为自动驾驶在复杂交通场景中的落地，提供了全新的解题思路——未来的智能车，不仅要能"看"懂路况，更要能"聊"懂路况，在与人类驾驶的交互中，实现更安全、更高效的通行。