MMD-OPT : Maximum Mean Discrepancy Based Sample Efficient Collision Risk Minimization for Autonomous Driving

要約

我々は、動的障害物の任意の予測分布の下で衝突のリスクを最小限に抑えるためのサンプル効率の高いアプローチである MMD-OPT を提案します。
MMD-OPT は、Reproducing Kernel Hilbert Space (RKHS) における埋め込み分布と、関連する Maximum Mean Discrepancy (MMD) に基づいています。
これら 2 つの概念を使用して、衝突リスク推定のための効率的なサンプルの代用を定義する方法を示します。
私たちは広範なシミュレーションを実行して、合成データセットと現実世界のデータセットの両方で MMD-OPT の有効性を検証します。
重要なのは、MMD ベースの衝突リスク サロゲートを使用した軌道の最適化により、Conditional Value at Risk (CVaR) に基づく一般的な代替案よりも低サンプル領域でより安全な軌道が得られることを示しています。

要約(オリジナル)

We propose MMD-OPT: a sample-efficient approach for minimizing the risk of collision under arbitrary prediction distribution of the dynamic obstacles. MMD-OPT is based on embedding distribution in Reproducing Kernel Hilbert Space (RKHS) and the associated Maximum Mean Discrepancy (MMD). We show how these two concepts can be used to define a sample efficient surrogate for collision risk estimate. We perform extensive simulations to validate the effectiveness of MMD-OPT on both synthetic and real-world datasets. Importantly, we show that trajectory optimization with our MMD-based collision risk surrogate leads to safer trajectories at low sample regimes than popular alternatives based on Conditional Value at Risk (CVaR).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google