Equivariant Deep Learning of Mixed-Integer Optimal Control Solutions for Vehicle Decision Making and Motion Planning

要約

混合整数 2 次プログラム (MIQP) は、車両の意思決定および動作計画の問題を定式化する多用途の方法であり、予測モデルは離散および連続の両方の決定変数を含むハイブリッド動的システムです。
ただし、最も高度な MIQP ソルバーでも、自動車組み込みプラットフォームの困難な要件を考慮することはほとんどできません。
したがって、機械学習を使用して最適化を簡素化し、高速化します。
私たちの研究は、ニューラル ネットワークをトレーニングして整変数の最適値を予測し、残りの問題をオンライン 2 次計画法で解決することにより、MIQP をリアルタイムで解決するための最近のアイデアに基づいています。
具体的には、多くの障害物を伴う MIQP を模倣するのに特に適したリカレント順列等変ディープセットを提案します。MIQP は、動作計画問題における計算負荷の主な原因となることがよくあります。
私たちのフレームワークは、整変数の実現不可能な予測を修正し、衝突のない軌道を計算する可能性を大幅に高める実現可能性予測器も備えています。
SUMO シミュレーションで対話型エージェントを使用した現実的な複数車線交通シナリオで提案されたアプローチを使用して、自動運転のパフォーマンス、安全性、意思決定のリアルタイムの実現可能性を評価します。

要約(オリジナル)

Mixed-integer quadratic programs (MIQPs) are a versatile way of formulating vehicle decision making and motion planning problems, where the prediction model is a hybrid dynamical system that involves both discrete and continuous decision variables. However, even the most advanced MIQP solvers can hardly account for the challenging requirements of automotive embedded platforms. Thus, we use machine learning to simplify and hence speed up optimization. Our work builds on recent ideas for solving MIQPs in real-time by training a neural network to predict the optimal values of integer variables and solving the remaining problem by online quadratic programming. Specifically, we propose a recurrent permutation equivariant deep set that is particularly suited for imitating MIQPs that involve many obstacles, which is often the major source of computational burden in motion planning problems. Our framework comprises also a feasibility projector that corrects infeasible predictions of integer variables and considerably increases the likelihood of computing a collision-free trajectory. We evaluate the performance, safety and real-time feasibility of decision-making for autonomous driving using the proposed approach on realistic multi-lane traffic scenarios with interactive agents in SUMO simulations.

arxiv情報

著者 Rudolf Reiter,Rien Quirynen,Moritz Diehl,Stefano Di Cairano
発行日 2024-05-13 19:05:48+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY パーマリンク