Incorporating Target Vehicle Trajectories Predicted by Deep Learning Into Model Predictive Controlled Vehicles

要約

モデル予測制御 (MPC) は、自動運転車の動作計画に広く適用されています。
MPC 制御の車両は、モデルに従って有限の予測範囲内で自身の軌道を予測する必要があります。
これに加えて、車両は、近くの車両またはターゲット車両 (TV) の軌道の予測も意思決定に組み込む必要があります。
一定速度ベースの軌道予測方法など、従来の軌道予測方法は単純すぎて、潜在的な衝突リスクを正確に把握できません。
このレポートでは、一連のリスクを認識した制約を備えた自律走行車向けの新しい MPC ベースの動作計画方法を提案します。
これらの制約には、深層学習ベースの方法を使用して学習された TV の予測軌道が組み込まれています。
リカレント ニューラル ネットワーク (RNN) は、過去のデータに基づいて TV の将来の軌道を予測するために使用されます。
次に、予測された TV 軌道が自車両の MPC の最適化に組み込まれて、衝突のない動きを生成します。
RNN モデルの予測精度と MPC によって生成された衝突のない軌道を示すために、シミュレーション研究が実施されます。

要約(オリジナル)

Model Predictive Control (MPC) has been widely applied to the motion planning of autonomous vehicles. An MPC-controlled vehicle is required to predict its own trajectories in a finite prediction horizon according to its model. Beyond this, the vehicle should also incorporate the prediction of the trajectory of its nearby vehicles, or target vehicles (TVs) into its decision-making. The conventional trajectory prediction methods, such as the constant-speed-based ones, are too trivial to accurately capture the potential collision risks. In this report, we propose a novel MPC-based motion planning method for an autonomous vehicle with a set of risk-aware constraints. These constraints incorporate the predicted trajectory of a TV learned using a deep-learning-based method. A recurrent neural network (RNN) is used to predict the TV’s future trajectory based on its historical data. Then, the predicted TV trajectory is incorporated into the optimization of the MPC of the ego vehicle to generate collision-free motion. Simulation studies are conducted to showcase the prediction accuracy of the RNN model and the collision-free trajectories generated by the MPC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google