Safe Adaptive Cruise Control Under Perception Uncertainty: A Deep Ensemble and Conformal Tube Model Predictive Control Approach

要約

自動運転は、意思決定のために環境を解釈するために知覚システムに大きく依存しています。
これらの安全性が重要なアプリケーションの堅牢性を強化するために、この論文では、不確実性を予測および定量化するために、等角予測と統合されたディープ ニューラル ネットワーク リグレッサーのディープ アンサンブルを検討します。
アダプティブ クルーズ コントロール設定では、提案された方法は RGB 画像から状態と不確実性の推定を実行し、DNN の認識の不確実性を下流のコントローラーに通知します。
コンフォーマルチューブモデル予測制御を使用したアダプティブクルーズコントローラーは、確率論的な安全性を確保するように設計されています。
高忠実度シミュレーターを使用した評価では、配布範囲外シナリオを含む、速度追跡と安全な距離維持におけるアルゴリズムの有効性が実証されています。

要約(オリジナル)

Autonomous driving heavily relies on perception systems to interpret the environment for decision-making. To enhance robustness in these safety critical applications, this paper considers a Deep Ensemble of Deep Neural Network regressors integrated with Conformal Prediction to predict and quantify uncertainties. In the Adaptive Cruise Control setting, the proposed method performs state and uncertainty estimation from RGB images, informing the downstream controller of the DNN perception uncertainties. An adaptive cruise controller using Conformal Tube Model Predictive Control is designed to ensure probabilistic safety. Evaluations with a high-fidelity simulator demonstrate the algorithm’s effectiveness in speed tracking and safe distance maintaining, including in Out-Of-Distribution scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google