Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles

要約

人間の運転行動を予測するために学習したガウス過程を利用する自動運転車のモデル予測制御アプローチを提案します。
提案されたアプローチは、安全性を達成するために GP の予測に関する不確実性を採用しています。
マルチモード予測制御アプローチは、人間のドライバーの考えられる意図を考慮します。
意図はさまざまなガウス プロセスによって表されますが、観察された動作で予見されるそれらの確率は、適切なオンライン分類によって決定されます。
特定の確率しきい値を下回る意図は、パフォーマンスを向上させるために無視されます。
ガウス プロセス回帰をサポートする提案されたマルチモード モデル予測制御アプローチにより、実現可能性と確率的制約を高い確率で満足させることができます。
このアプローチは、ガウス過程をトレーニングするための実世界の測定を考慮して、シミュレーションで下線が引かれています。

要約(オリジナル)

We propose a model predictive control approach for autonomous vehicles that exploits learned Gaussian processes for predicting human driving behavior. The proposed approach employs the uncertainty about the GP’s prediction to achieve safety. A multi-mode predictive control approach considers the possible intentions of the human drivers. While the intentions are represented by different Gaussian processes, their probabilities foreseen in the observed behaviors are determined by a suitable online classification. Intentions below a certain probability threshold are neglected to improve performance. The proposed multi-mode model predictive control approach with Gaussian process regression support enables repeated feasibility and probabilistic constraint satisfaction with high probability. The approach is underlined in simulation, considering real-world measurements for training the Gaussian processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google