Hilbert Space Embedding-based Trajectory Optimization for Multi-Modal Uncertain Obstacle Trajectory Prediction

要約

安全な自動運転は、自車両が近隣車両の軌道をどれだけ正確に予測できるかに大きく依存します。
この目的のために、いくつかの軌道予測アルゴリズムが既存の文献で提示されている。
これらのアプローチの多くは、根底にある不確実性を考慮して、単一の決定論的な予測ではなく、障害物の軌道のマルチモーダル分布を出力します。
ただし、既存のプランナーは、予測のサンプルレベルの情報のみに基づいてマルチモダリティを処理できません。
このような動機から、この論文では、計算的に扱いやすくサンプル効率の高い方法で予測の分布的側面を活用できる軌道オプティマイザーを提案します。
私たちのオプティマイザーは任意の複雑な分布を処理できるため、ディープ ニューラル ネットワークとして表される出力分布とともに使用できます。
私たちのアプローチの中核は、Reproducing Kernel Hilbert Space (RKHS) への埋め込みディストリビューションに基づいて構築されており、これを 2 つの方法で活用しています。
まず、障害物の軌道分布から可能性のあるサンプルを選択するための RKHS 埋め込みアプローチを提案します。
次に、確率制約型最適化を RKHS における分布マッチングと言い換え、その解決策として新しいサンプリングベースのオプティマイザーを提案します。
私たちは、実世界のデータセットでトレーニングされた手作りのニューラル ネットワーク ベースの予測子を使用してアプローチを検証し、安全性指標における既存の確率的最適化アプローチよりも改善されていることを示します。

要約(オリジナル)

Safe autonomous driving critically depends on how well the ego-vehicle can predict the trajectories of neighboring vehicles. To this end, several trajectory prediction algorithms have been presented in the existing literature. Many of these approaches output a multi-modal distribution of obstacle trajectories instead of a single deterministic prediction to account for the underlying uncertainty. However, existing planners cannot handle the multi-modality based on just sample-level information of the predictions. With this motivation, this paper proposes a trajectory optimizer that can leverage the distributional aspects of the prediction in a computationally tractable and sample-efficient manner. Our optimizer can work with arbitrarily complex distributions and thus can be used with output distribution represented as a deep neural network. The core of our approach is built on embedding distribution in Reproducing Kernel Hilbert Space (RKHS), which we leverage in two ways. First, we propose an RKHS embedding approach to select probable samples from the obstacle trajectory distribution. Second, we rephrase chance-constrained optimization as distribution matching in RKHS and propose a novel sampling-based optimizer for its solution. We validate our approach with hand-crafted and neural network-based predictors trained on real-world datasets and show improvement over the existing stochastic optimization approaches in safety metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google