CARVE: Сертифицированная недорогая коррекция отклоненных маневров с использованием оболочек для интерактивного вождения

Аннотация

Интерактивное вождение выявляет режим отказа, который легко пропустить в стеках автономного вождения, учитывающих правила: жесткий запас по правилам может быть отрицательным для эго-кандидата, даже если небольшое законное приспособление со стороны неприоритетного агента восстановило бы выполнимость. Существующие регламенты, защитные механизмы и фильтры достижимости эффективно блокируют небезопасные действия, в то время как планировщики на основе прогнозирования моделируют вероятные реакции. Ни один из них не возвращает объект доказательства времени выполнения, который указывает, какое ограниченное многопользовательское изменение исправляет маневр, кому принадлежит это изменение, выполнимо ли оно с точки зрения права проезда и какой запасной вариант остается у эго-агента, если запрос не будет выполнен. Мы формулируем этот отсутствующий объект как *сертификацию интерактивного исправления* и представляем *CARVE* — свободный от прогнозирования сертификационный слой на конечной решетке тактических операторов, принадлежащих эго-агенту и агенту. Запросы, принадлежащие агенту, допустимы только внутри \(B_j(s) = β(π_j)α_j^{\max}(s)\), оболочки сотрудничества, которая отделяет кинематическую достижимость от нормативного приоритета. Полученный сертификат фиксирует связывающее правило, категорию исправления, набор исправлений, распределение затрат с учетом ответственности и запасной вариант. На 589 повторных эпизодах INTERACTION, привязанных к геометрии Lanelet2, CARVE-Greedy принимает 98,64% изначально заблокированных маневров и восстанавливает 370 из 378 ложно-положительных блокировок, разрешенных человеком, при этом сохраняя в 589 из 589 случаях уважение права проезда, нулевое количество ложных срабатываний приоритетного агента и 400 из 400 блокировок в негативных стрессовых ситуациях. Мы доказываем обоснованность сертификата, структурное уважение права проезда, точную минимальность конечной решетки, резервирование запасного варианта и условия согласованности вины. CARVE не предсказывает и не требует соблюдения правил другим водителем; он сертифицирует, является ли предлагаемое взаимодействие ограниченным, приписываемым и нормативно допустимым при объявленных предположениях.

English

Interactive driving exposes a failure mode that is easy to miss in rule-aware autonomous-driving stacks: a hard-rule margin can be negative for an ego candidate even though a small lawful accommodation by a non-priority agent would restore feasibility. Existing rulebooks, shields, and reachability filters are strong at vetoing unsafe actions, while prediction-based planners model likely responses. Neither returns a runtime proof object that states which bounded multi-agent edit repairs the maneuver, who owns the edit, whether the request is right-of-way affordable, and what ego fallback remains if the request is not observed. We formulate this missing object as *interactive repair certification* and introduce *CARVE*, a prediction-free certificate layer over a finite lattice of ego-owned and agent-owned tactical operators. Agent-owned requests are admissible only inside \(B_j(s) = β(π_j)α_j^{\max}(s)\), a cooperation envelope that separates kinematic reachability from normative priority. The resulting certificate records the binding rule, repair category, repair set, responsibility-weighted cost split, and fallback. On 589 Lanelet2-geometry-grounded INTERACTION replay episodes, CARVE-Greedy accepts 98.64% of initially vetoed maneuvers and recovers 370/378 human-resolved false vetoes, while preserving 589/589 right-of-way respect, zero priority-agent false positives, and 400/400 negative-stress vetoes. We prove certificate soundness, structural right-of-way respect, exact finite-lattice minimality, fallback contingency, and blame-consistency conditions. CARVE does not predict or require another driver's compliance; it certifies whether a proposed interaction is bounded, attributable, and normatively admissible under declared assumptions.