Priority-Driven Safe Model Predictive Control Approach to Autonomous Driving Applications

要約

このペーパーでは、自律運転シナリオへの安全モデル予測制御（SMPC）フレームワークの適用可能性を示しており、適応クルーズコントロール（ACC）と自動レーンチェンジシステムの設計に焦点を当てています。
優先駆動型の制約軟化を伴うSMPCアプローチに基づいて、調整可能な制約の事前定義されたサブセットを選択的に軟化させることにより、外部障害の下で\ emph {hard}制約の満足度を保証します。
リアルタイムの実行を可能にするために、時間がかかるSMPCに近似する学習ベースのアルゴリズムが導入されています。
予測されていない妨害の対象となる現実世界の駆動シナリオのシミュレーションは、この優先順位付けされた軟化メカニズムが一貫して厳しい安全上の制約を維持し、提案された方法の有効性を強調していることを確認します。

要約(オリジナル)

This paper demonstrates the applicability of the safe model predictive control (SMPC) framework to autonomous driving scenarios, focusing on the design of adaptive cruise control (ACC) and automated lane-change systems. Building on the SMPC approach with priority-driven constraint softening — which ensures the satisfaction of \emph{hard} constraints under external disturbances by selectively softening a predefined subset of adjustable constraints — we show how the algorithm dynamically relaxes lower-priority, comfort-related constraints in response to unexpected disturbances while preserving critical safety requirements such as collision avoidance and lane-keeping. A learning-based algorithm approximating the time consuming SMPC is introduced to enable real-time execution. Simulations in real-world driving scenarios subject to unpredicted disturbances confirm that this prioritized softening mechanism consistently upholds stringent safety constraints, underscoring the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google