Model Predictive Inferential Control of Neural State-Space Models for Autonomous Vehicle Motion Planning

要約

モデル予測制御 (MPC) は、自動運転車の安全で最適な動作計画を可能にするのに役立つことが証明されています。
この論文では、ニューラル状態空間モデルが車両ダイナミクスを表す場合に、MPC ベースの運動計画を達成する方法を調査します。
ニューラル状態空間モデルは非常に複雑で非線形かつ非凸の最適化ランドスケープをもたらすため、主流の勾配ベースの MPC 手法は計算量が多すぎて実行可能なソリューションになりません。
脱線として、制御の目的と制約から最適な制御の決定を推測しようとするモデル予測推論制御 (MPIC) のアイデアを提案します。
このアイデアに従って、動作計画のための MPC 問題をベイズ状態推定問題に変換します。
次に、推定を実行するための新しい粒子フィルタリング/平滑化アプローチを開発します。
このアプローチは、無香料カルマン フィルター/スムーザーのバンクとして実装され、高いサンプリング効率、高速な計算、推定精度を提供します。
さまざまなシナリオでの自動運転のシミュレーション研究と、勾配ベースの MPC との徹底的な比較を通じて、MPIC アプローチを評価します。
結果は、複雑なニューラル ネットワーク アーキテクチャに関係なく、MPIC アプローチがかなりの計算効率を持ち、ニューラル状態空間モデルの大規模 MPC 問題を解決できる能力を示していることを示しています。

要約(オリジナル)

Model predictive control (MPC) has proven useful in enabling safe and optimal motion planning for autonomous vehicles. In this paper, we investigate how to achieve MPC-based motion planning when a neural state-space model represents the vehicle dynamics. As the neural state-space model will lead to highly complex, nonlinear and nonconvex optimization landscapes, mainstream gradient-based MPC methods will be computationally too heavy to be a viable solution. In a departure, we propose the idea of model predictive inferential control (MPIC), which seeks to infer the best control decisions from the control objectives and constraints. Following the idea, we convert the MPC problem for motion planning into a Bayesian state estimation problem. Then, we develop a new particle filtering/smoothing approach to perform the estimation. This approach is implemented as banks of unscented Kalman filters/smoothers and offers high sampling efficiency, fast computation, and estimation accuracy. We evaluate the MPIC approach through a simulation study of autonomous driving in different scenarios, along with an exhaustive comparison with gradient-based MPC. The results show that the MPIC approach has considerable computational efficiency, regardless of complex neural network architectures, and shows the capability to solve large-scale MPC problems for neural state-space models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google