Model Predictive Inferential Control of Neural State-Space Models for Autonomous Vehicle Motion Planning

要約

モデル予測制御（MPC）は、自律走行車の安全で最適な運動計画を可能にする上で有用であることが証明されている。本稿では、車両のダイナミクスをニューラル状態空間モデルで表現した場合に、MPCに基づく運動計画をどのように実現するかを検討する。ニューラル状態空間モデルは非常に複雑で非線形かつ非凸の最適化ランドスケープをもたらすため、主流の勾配ベースのMPC手法は計算量が多すぎて実行可能な解決策にはならない。そこで我々は、制御目標と制約条件から最適な制御決定を推論するモデル予測推論制御(MPIC)を提案する。この考えに従い、運動計画のためのMPC問題をベイズ状態推定問題に変換する。そして、推定を実行するための新しいパーティクルフィルタリング／スムージングアプローチを開発する。このアプローチは、uncented Kalman filters/smoothersのバンクとして実装され、高いサンプリング効率、高速計算、および推定精度を提供する。我々は、勾配ベースのMPCとの徹底的な比較とともに、様々なシナリオにおける自律走行のシミュレーション研究を通じてMPICアプローチを評価する。その結果、MPICアプローチは、複雑なニューラルネットワークアーキテクチャに関わらず、かなりの計算効率を有し、ニューラルネットワーク状態空間モデルの大規模MPC問題を解く能力を示す。

要約(オリジナル)

Model predictive control (MPC) has proven useful in enabling safe and optimal motion planning for autonomous vehicles. In this paper, we investigate how to achieve MPC-based motion planning when a neural state-space model represents the vehicle dynamics. As the neural state-space model will lead to highly complex, nonlinear and nonconvex optimization landscapes, mainstream gradient-based MPC methods will be computationally too heavy to be a viable solution. In a departure, we propose the idea of model predictive inferential control (MPIC), which seeks to infer the best control decisions from the control objectives and constraints. Following the idea, we convert the MPC problem for motion planning into a Bayesian state estimation problem. Then, we develop a new particle filtering/smoothing approach to perform the estimation. This approach is implemented as banks of unscented Kalman filters/smoothers and offers high sampling efficiency, fast computation, and estimation accuracy. We evaluate the MPIC approach through a simulation study of autonomous driving in different scenarios, along with an exhaustive comparison with gradient-based MPC. The results show that the MPIC approach has considerable computational efficiency, regardless of complex neural network architectures, and shows the capability to solve large-scale MPC problems for neural state-space models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL