Scalable Multi-modal Model Predictive Control via Duality-based Interaction Predictions

要約

私たちは、複雑なマルチモーダルなトラフィック シナリオにおけるスケーラブルなリアルタイム モデル予測制御 (MPC) のために設計された階層アーキテクチャを提案します。
このアーキテクチャは 2 つの重要なコンポーネントで構成されます。1) RAID-Net、ラグランジュ双対性を使用して自動運転車と周囲の車両の間の MPC 予測期間に沿った関連する相互作用を予測する新しいアテンションベースのリカレント ニューラル ネットワーク、および 2) 軽減された確率的 MPC 問題
これにより、無関係な衝突回避制約が排除され、計算効率が向上します。
私たちのアプローチは、インタラクティブな周囲車両を備えたシミュレートされた交差点で実証され、動作計画の問題の解決において 12 倍のスピードアップを示しています。
複数の複雑な交通シナリオで提案されているアーキテクチャをデモするビデオは、https://youtu.be/-pRiOnPb9_c でご覧いただけます。
GitHub: https://github.com/MPC-Berkeley/hmpc_raidnet

要約(オリジナル)

We propose a hierarchical architecture designed for scalable real-time Model Predictive Control (MPC) in complex, multi-modal traffic scenarios. This architecture comprises two key components: 1) RAID-Net, a novel attention-based Recurrent Neural Network that predicts relevant interactions along the MPC prediction horizon between the autonomous vehicle and the surrounding vehicles using Lagrangian duality, and 2) a reduced Stochastic MPC problem that eliminates irrelevant collision avoidance constraints, enhancing computational efficiency. Our approach is demonstrated in a simulated traffic intersection with interactive surrounding vehicles, showcasing a 12x speed-up in solving the motion planning problem. A video demonstrating the proposed architecture in multiple complex traffic scenarios can be found here: https://youtu.be/-pRiOnPb9_c. GitHub: https://github.com/MPC-Berkeley/hmpc_raidnet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google