Scalable Multi-modal Model Predictive Control via Duality-based Interaction Predictions

要約

複雑なマルチモーダル交通シナリオにおけるスケーラブルなリアルタイムモデル予測制御（MPC）のために設計された階層アーキテクチャを提案する。このアーキテクチャは2つの主要コンポーネントから構成される：1)ラグランジアン双対性を用いて自律走行車両と周辺車両とのMPC予測地平に沿った関連する相互作用を予測する、新しい注意ベースのリカレントニューラルネットワークであるRAID-Netと、2)無関係な衝突回避制約を排除し、計算効率を向上させる、縮小された確率的MPC問題である。本アプローチは、対話的な周辺車両が存在する交通交差点のシミュレーションで実証され、運動計画問題の解法が12倍高速化されたことを示す。複数の複雑な交通シナリオにおける提案アーキテクチャのデモ動画はこちら: https://youtu.be/-pRiOnPb9_c.GitHub: https://github.com/MPC-Berkeley/hmpc_raidnet

要約(オリジナル)

We propose a hierarchical architecture designed for scalable real-time Model Predictive Control (MPC) in complex, multi-modal traffic scenarios. This architecture comprises two key components: 1) RAID-Net, a novel attention-based Recurrent Neural Network that predicts relevant interactions along the MPC prediction horizon between the autonomous vehicle and the surrounding vehicles using Lagrangian duality, and 2) a reduced Stochastic MPC problem that eliminates irrelevant collision avoidance constraints, enhancing computational efficiency. Our approach is demonstrated in a simulated traffic intersection with interactive surrounding vehicles, showcasing a 12x speed-up in solving the motion planning problem. A video demonstrating the proposed architecture in multiple complex traffic scenarios can be found here: https://youtu.be/-pRiOnPb9_c. GitHub: https://github.com/MPC-Berkeley/hmpc_raidnet

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL