Motion Planning under Uncertainty: Integrating Learning-Based Multi-Modal Predictors into Branch Model Predictive Control
作者: Mohamed-Khalil Bouzidi, Bojan Derajic, Daniel Goehring, Joerg Reichardt
分类: cs.RO, eess.SY
发布日期: 2024-05-06
💡 一句话要点
提出基于学习的多模态预测分支模型预测控制，提升自动驾驶在复杂交通环境中的安全性。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自动驾驶 运动规划 模型预测控制 多模态预测 不确定性 场景选择 决策推迟
📋 核心要点
- 现有方法难以应对复杂交通环境中其他智能体行为的多模态不确定性，导致自动驾驶安全性降低。
- 提出一种基于学习的多模态预测分支模型预测控制框架，通过在线场景选择和自适应决策推迟策略来提高效率。
- 在交通路口和高速公路合并场景的实验表明，该方法能够提升自动驾驶的舒适性和安全性。
📝 摘要（中文）
在复杂的交通环境中，自动驾驶车辆面临着其他智能体未来行为的多模态不确定性。为了解决这个问题，最近基于学习的运动预测器输出了多模态预测。我们提出了一个新颖的框架，该框架利用分支模型预测控制（BMPC）来考虑这些预测。该框架包括一个在线场景选择过程，该过程由拓扑和碰撞风险标准指导。这有效地选择了一个最小的预测集，使BMPC能够实时运行。此外，我们引入了一种自适应决策推迟策略，该策略将规划器对单个场景的承诺延迟到不确定性得到解决为止。我们在交通路口和随机高速公路合并场景中的综合评估表明，我们的方法增强了舒适性和安全性。
🔬 方法详解
问题定义：自动驾驶车辆在复杂交通环境中，需要预测其他车辆或行人的行为，但这些行为往往具有多种可能性（多模态）。现有的运动规划方法难以有效处理这种多模态不确定性，导致规划结果保守或冒险，影响自动驾驶的安全性和舒适性。
核心思路：利用基于学习的多模态预测器，生成多个可能的未来场景。然后，使用分支模型预测控制（BMPC）对每个场景进行规划，并根据拓扑和碰撞风险在线选择最相关的场景子集。此外，采用自适应决策推迟策略，延迟对特定场景的承诺，直到不确定性降低。
技术框架：该框架包含以下主要模块：1) 多模态预测器：基于学习的方法，预测其他智能体的未来行为，输出多个可能的轨迹。2) 在线场景选择：根据拓扑结构和碰撞风险，从所有预测场景中选择一个最小的、最具代表性的子集。3) 分支模型预测控制（BMPC）：对每个选定的场景，使用模型预测控制进行轨迹规划。4) 自适应决策推迟：根据不确定性程度，延迟对特定场景的承诺，直到有足够的信息做出更可靠的决策。
关键创新：1) 将基于学习的多模态预测器与BMPC相结合，有效处理了复杂交通环境中的多模态不确定性。2) 提出了在线场景选择方法，降低了BMPC的计算复杂度，使其能够实时运行。3) 引入了自适应决策推迟策略，进一步提高了规划的鲁棒性和安全性。
关键设计：在线场景选择过程使用拓扑和碰撞风险作为选择标准。拓扑标准可能涉及考虑道路连接性和交通规则，而碰撞风险标准则基于预测轨迹之间的距离和速度。自适应决策推迟策略可能使用熵或方差等指标来量化不确定性，并根据不确定性阈值来决定何时做出最终决策。具体的损失函数和网络结构等技术细节在论文中可能没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
论文在交通路口和随机高速公路合并场景中进行了实验验证。结果表明，该方法能够显著提高自动驾驶车辆的舒适性和安全性，但具体的性能数据和提升幅度未知。与传统方法相比，该方法能够更好地应对多模态不确定性，做出更合理的决策。
🎯 应用场景
该研究成果可应用于各种自动驾驶场景，尤其是在交通复杂的城市环境中，例如十字路口、环岛、高速公路匝道等。通过提高自动驾驶车辆在不确定环境中的安全性和舒适性，可以加速自动驾驶技术的商业化落地，并提升交通效率和安全性。
📄 摘要（原文）
In complex traffic environments, autonomous vehicles face multi-modal uncertainty about other agents' future behavior. To address this, recent advancements in learningbased motion predictors output multi-modal predictions. We present our novel framework that leverages Branch Model Predictive Control(BMPC) to account for these predictions. The framework includes an online scenario-selection process guided by topology and collision risk criteria. This efficiently selects a minimal set of predictions, rendering the BMPC realtime capable. Additionally, we introduce an adaptive decision postponing strategy that delays the planner's commitment to a single scenario until the uncertainty is resolved. Our comprehensive evaluations in traffic intersection and random highway merging scenarios demonstrate enhanced comfort and safety through our method.