Incremental Bayesian Learning for Fail-Operational Control in Autonomous Driving

要約

周囲の車両 (SV) による突然の操作は、通常、安全上の懸念につながり、特に環境の擾乱に起因するモデルの不確実性により、自車両 (EV) の作業効率に影響を与える可能性があります。
この論文では、動的環境でタスクの効率を維持しながら、不確実な EV を安全な状態に漸近収束させるリアルタイムのフェイルオペレーション コントローラーについて説明します。
増分ベイジアン学習アプローチは、オンライン学習と変化する環境擾乱の推論を促進するために開発されました。
外乱の定量化と制約の変換を活用して、制御バリア関数 (CBF) に基づいた確率的フェイルオペレーショナル バリアを開発します。
この開発により、不確実な EV は、確率的に安定した状態で、非安全な状態から定義された安全な状態に漸近的に収束することができます。
その後、確率的フェイルオペレーション バリアが、二次計画法 (QP) に基づいた効率的なフェイルオペレーション コントローラーに統合されます。
このコントローラーは、安全性と効率性の両方の目標を考慮して、環境外乱が存在する制御制約の下で動作する EV 向けに調整されています。
提案されたフレームワークを、SV が積極的な運転操作を実行するコネクテッド クルーズ コントロール (CCC) タスクで検証します。
シミュレーション結果は、私たちの方法により、時間とともに変化する環境外乱下でもリアルタイムでタスクの効率を維持しながら、EVが安全な状態に迅速に戻ることができることを示しています。

要約(オリジナル)

Abrupt maneuvers by surrounding vehicles (SVs) can typically lead to safety concerns and affect the task efficiency of the ego vehicle (EV), especially with model uncertainties stemming from environmental disturbances. This paper presents a real-time fail-operational controller that ensures the asymptotic convergence of an uncertain EV to a safe state, while preserving task efficiency in dynamic environments. An incremental Bayesian learning approach is developed to facilitate online learning and inference of changing environmental disturbances. Leveraging disturbance quantification and constraint transformation, we develop a stochastic fail-operational barrier based on the control barrier function (CBF). With this development, the uncertain EV is able to converge asymptotically from an unsafe state to a defined safe state with probabilistic stability. Subsequently, the stochastic fail-operational barrier is integrated into an efficient fail-operational controller based on quadratic programming (QP). This controller is tailored for the EV operating under control constraints in the presence of environmental disturbances, with both safety and efficiency objectives taken into consideration. We validate the proposed framework in connected cruise control (CCC) tasks, where SVs perform aggressive driving maneuvers. The simulation results demonstrate that our method empowers the EV to swiftly return to a safe state while upholding task efficiency in real time, even under time-varying environmental disturbances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google