Predictive Control for Autonomous Driving with Uncertain, Multi-modal Predictions

要約

我々は、マルチモーダル予測を行う複数のエージェントが関与するシナリオにおける自律走行車による経路計画のための確率的 MPC (SMPC) 定式化を提案します。
マルチモーダル予測は、異なるモード/操作 (例: 降伏、速度維持) および運転軌道 (例: 速度、回転半径) での都市部の運転の不確実性を捕捉し、経路計画のマルチモーダル衝突回避確率制約に組み込まれます。
。
マルチモーダルな不確実性が存在する場合、リアルタイム周波数 ($\geq$ 10 Hz) で実行可能な経路計画ソリューションを確実に計算することは困難です。
私たちの主な技術的貢献は、(1) パラメーター化されたフィードバック ポリシーの最適化と、(2) 予測の各モードのリスク レベルの割り当てを同時に行う凸型 SMPC 定式化です。
フィードバック ポリシーとリスク配分の使用により、不確実性が大きいマルチモーダル予測に対する SMPC 定式化の実現可能性とパフォーマンスが向上します。
私たちは、閉ループで仮想車両と対話する実物大の車両を使用したシミュレーションと路上実験を通じて、アプローチを評価します。
私たちは、明確なマルチモーダルな運転シナリオを検討します。1) 信号と高速の共連れエージェントとの交渉、2) 交差点での無防備な左折の実行、および 3) 複数のエージェントの存在下での車線変更。
これらすべてのシナリオに対して、私たちのアプローチは、経路計画問題に対するマルチモーダルな解をリアルタイム周波数で確実に計算します。

要約(オリジナル)

We propose a Stochastic MPC (SMPC) formulation for path planning with autonomous vehicles in scenarios involving multiple agents with multi-modal predictions. The multi-modal predictions capture the uncertainty of urban driving in distinct modes/maneuvers (e.g., yield, keep speed) and driving trajectories (e.g., speed, turning radius), which are incorporated for multi-modal collision avoidance chance constraints for path planning. In the presence of multi-modal uncertainties, it is challenging to reliably compute feasible path planning solutions at real-time frequencies ($\geq$ 10 Hz). Our main technological contribution is a convex SMPC formulation that simultaneously (1) optimizes over parameterized feedback policies and (2) allocates risk levels for each mode of the prediction. The use of feedback policies and risk allocation enhances the feasibility and performance of the SMPC formulation against multi-modal predictions with large uncertainty. We evaluate our approach via simulations and road experiments with a full-scale vehicle interacting in closed-loop with virtual vehicles. We consider distinct, multi-modal driving scenarios: 1) Negotiating a traffic light and a fast, tailgating agent, 2) Executing an unprotected left turn at a traffic intersection, and 3) Changing lanes in the presence of multiple agents. For all of these scenarios, our approach reliably computes multi-modal solutions to the path-planning problem at real-time frequencies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google