Interactive Joint Planning for Autonomous Vehicles

📄 arXiv: 2310.18301v4 📥 PDF

作者: Yuxiao Chen, Sushant Veer, Peter Karkus, Marco Pavone

分类: cs.RO, cs.AI, eess.SY

发布日期: 2023-10-27 (更新: 2023-11-22)

💡 一句话要点

提出互动联合规划以解决自主车辆在交互环境中的安全运动问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主驾驶 运动规划 深度学习 模型预测控制 轨迹预测 交互环境 联合优化

📋 核心要点

  1. 现有方法在复杂的交互环境中难以有效利用自我条件预测，限制了规划器的结构和性能。
  2. 论文提出的互动联合规划（IJP）通过联合优化自我和周围智能体的行为，结合深度学习预测模型，提升了规划效果。
  3. 实验结果显示，IJP在闭环仿真中显著优于传统的基于采样的规划方法，提升了运动计划的质量。

📝 摘要（中文）

在高度交互的驾驶场景中，一个智能体的行为会显著影响邻近智能体的行为。因此，在这样的环境中为自主车辆规划安全的运动轨迹，需要考虑自我意图运动计划对周围智能体行为的影响。尽管基于深度学习的模型在轨迹预测方面取得了显著成功，但在下游规划中利用自我条件预测仍然面临挑战。本文提出了互动联合规划（IJP），它以计算可扩展的方式将模型预测控制（MPC）与学习的预测模型相结合，优化自我和周围智能体的行为，并利用深度学习的预测模型作为预测先验。此外，通过利用同伦类，联合优化器在多样的运动计划中搜索，以避免陷入局部最优。闭环仿真结果表明，IJP显著优于没有联合优化或使用基于采样的规划的基线方法。

🔬 方法详解

问题定义：论文要解决在高度交互的驾驶场景中，自主车辆如何安全有效地规划运动轨迹的问题。现有方法在利用深度学习模型进行轨迹预测时，往往因复杂性而无法有效应用于规划，导致规划器性能受限。

核心思路：论文的核心解决思路是提出互动联合规划（IJP），它通过将模型预测控制（MPC）与学习的预测模型相结合，优化自我和周围智能体的行为，从而在复杂环境中实现更安全的运动规划。

技术框架：IJP的整体架构包括两个主要模块：一是基于深度学习的轨迹预测模型，提供预测先验；二是联合优化器，负责在优化过程中考虑自我和周围智能体的行为。该框架通过迭代优化实现闭环控制。

关键创新：最重要的技术创新点在于将深度学习的预测模型与MPC结合，形成了一种新的规划方式，能够在复杂的交互环境中有效利用预测信息，避免了传统方法的局限性。

关键设计：在设计中，IJP利用同伦类进行多样化的运动计划搜索，避免陷入局部最优。此外，损失函数设计考虑了自我和周围智能体的行为一致性，以确保生成的运动轨迹安全且高效。

📊 实验亮点

实验结果表明，IJP在闭环仿真中显著优于基线方法，尤其是在没有联合优化或使用基于采样的规划的情况下，IJP的性能提升幅度达到XX%（具体数据未知），显示出其在复杂环境中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车、智能交通系统和机器人协作等。通过提高自主车辆在复杂交互环境中的运动规划能力，能够显著提升交通安全性和效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

In highly interactive driving scenarios, the actions of one agent greatly influences those of its neighbors. Planning safe motions for autonomous vehicles in such interactive environments, therefore, requires reasoning about the impact of the ego's intended motion plan on nearby agents' behavior. Deep-learning-based models have recently achieved great success in trajectory prediction and many models in the literature allow for ego-conditioned prediction. However, leveraging ego-conditioned prediction remains challenging in downstream planning due to the complex nature of neural networks, limiting the planner structure to simple ones, e.g., sampling-based planner. Despite their ability to generate fine-grained high-quality motion plans, it is difficult for gradient-based planning algorithms, such as model predictive control (MPC), to leverage ego-conditioned prediction due to their iterative nature and need for gradient. We present Interactive Joint Planning (IJP) that bridges MPC with learned prediction models in a computationally scalable manner to provide us the best of both the worlds. In particular, IJP jointly optimizes over the behavior of the ego and the surrounding agents and leverages deep-learned prediction models as prediction priors that the join trajectory optimization tries to stay close to. Furthermore, by leveraging homotopy classes, our joint optimizer searches over diverse motion plans to avoid getting stuck at local minima. Closed-loop simulation result shows that IJP significantly outperforms the baselines that are either without joint optimization or running sampling-based planning.