Learning-Aided Warmstart of Model Predictive Control in Uncertain Fast-Changing Traffic

要約

モデル予測制御には、非凸問題の極小値を回避する機能がありません。
さらに、急速に変化する不確実な環境では、最後のタイムステップからの最適な軌道を使用する従来のウォームスタートでは、現在の最適な軌道に十分に近い初期推定を提供できないことがよくあります。
これにより、収束障害や安全性の問題が発生する可能性があります。
したがって、この論文では、モデル予測制御アルゴリズムの学習支援ウォームスタートのためのフレームワークを提案します。
私たちの方法では、ニューラル ネットワーク ベースのマルチモーダル予測器を活用して、自動運転車の複数の軌道提案を生成します。これは、サンプリング ベースの手法によってさらに洗練されます。
この組み合わせたアプローチにより、複数の異なる極小値を特定し、初期推定を改善することができます。
交通シナリオのモンテカルロ シミュレーションを使用してアプローチを検証します。

要約(オリジナル)

Model Predictive Control lacks the ability to escape local minima in nonconvex problems. Furthermore, in fast-changing, uncertain environments, the conventional warmstart, using the optimal trajectory from the last timestep, often falls short of providing an adequately close initial guess for the current optimal trajectory. This can potentially result in convergence failures and safety issues. Therefore, this paper proposes a framework for learning-aided warmstarts of Model Predictive Control algorithms. Our method leverages a neural network based multimodal predictor to generate multiple trajectory proposals for the autonomous vehicle, which are further refined by a sampling-based technique. This combined approach enables us to identify multiple distinct local minima and provide an improved initial guess. We validate our approach with Monte Carlo simulations of traffic scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google