Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control

要約

複雑な交通環境では、自律走行車は他のエージェントの将来の行動に関するマルチモーダルな不確実性に直面する。これに対処するために、学習ベースの動作予測器における最近の進歩は、マルチモーダル予測を出力する。我々は、これらの予測を考慮するためにブランチモデル予測制御(BMPC)を活用した新しいフレームワークを提示する。このフレームワークは、トポロジーと衝突リスク基準によって導かれるオンラインシナリオ選択プロセスを含む。これにより、最小限の予測セットを効率的に選択し、BMPCをリアルタイムに実行できるようにする。さらに、不確実性が解消されるまで、プランナが1つのシナリオにコミットするのを遅らせる適応的な決定延期戦略を導入する。交通交差点とランダムな高速道路合流シナリオにおける我々の包括的な評価により、我々の手法によって快適性と安全性が向上したことが実証された。

要約(オリジナル)

In complex traffic environments, autonomous vehicles face multi-modal uncertainty about other agents’ future behavior. To address this, recent advancements in learningbased motion predictors output multi-modal predictions. We present our novel framework that leverages Branch Model Predictive Control(BMPC) to account for these predictions. The framework includes an online scenario-selection process guided by topology and collision risk criteria. This efficiently selects a minimal set of predictions, rendering the BMPC realtime capable. Additionally, we introduce an adaptive decision postponing strategy that delays the planner’s commitment to a single scenario until the uncertainty is resolved. Our comprehensive evaluations in traffic intersection and random highway merging scenarios demonstrate enhanced comfort and safety through our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL