Safe Planning in Dynamic Environments using Conformal Prediction

要約

我々は、等角予測を使用した確率的安全性保証を備えた未知の動的環境での計画のためのフレームワークを提案します。
特に、i) 動的環境の軌道予測、および ii) 予測の不確実性を定量化する予測領域を使用するモデル予測コントローラー (MPC) を設計します。
予測領域を取得するには、不確実性を定量化するための統計ツールであるコンフォーマル予測を使用します。これには、オフライン軌道データの利用可能性が必要です。これは、自動運転などの多くのアプリケーションでは合理的な仮定です。
予測領域は有効です。つまり、ユーザー定義の確率で保持されるため、MPC は安全であることが証明されます。
歩行者がいっぱいの交差点での自動運転車シミュレーター CARLA の結果を示します。
私たちのアプローチの強みは、根底にある軌道を生成する分布を仮定しない一方で、RNN や LSTM などの最先端の軌道予測器と互換性があることです。
私たちの知る限り、これらはそのような環境で有効な安全保証を提供する最初の結果です。

要約(オリジナル)

We propose a framework for planning in unknown dynamic environments with probabilistic safety guarantees using conformal prediction. Particularly, we design a model predictive controller (MPC) that uses i) trajectory predictions of the dynamic environment, and ii) prediction regions quantifying the uncertainty of the predictions. To obtain prediction regions, we use conformal prediction, a statistical tool for uncertainty quantification, that requires availability of offline trajectory data – a reasonable assumption in many applications such as autonomous driving. The prediction regions are valid, i.e., they hold with a user-defined probability, so that the MPC is provably safe. We illustrate the results in the self-driving car simulator CARLA at a pedestrian-filled intersection. The strength of our approach is compatibility with state of the art trajectory predictors, e.g., RNNs and LSTMs, while making no assumptions on the underlying trajectory-generating distribution. To the best of our knowledge, these are the first results that provide valid safety guarantees in such a setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google