Interaction-aware Traffic Prediction and Scenario-based Model Predictive Control for Autonomous Vehicles on Highways

📄 arXiv: 2310.07526v1 📥 PDF

作者: Xiaorong Zhang, Sahar Zeinali, Georg Schildbach

分类: eess.SY

发布日期: 2023-10-11

💡 一句话要点

提出基于场景的模型预测控制以解决高速公路自动驾驶交通预测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 交通预测 模型预测控制 自动驾驶 卡尔曼滤波 场景生成 智能交通 安全性

📋 核心要点

  1. 核心问题：现有的交通预测方法往往忽视了交通参与者之间的相互作用，导致预测精度不足。
  2. 方法要点：本文提出了一种改进的交互多模型卡尔曼滤波算法，结合场景生成与基于场景的模型预测控制，实现了更为准确的交通预测与控制。
  3. 实验或效果：通过HighD数据集的仿真评估，结果显示所提方案在多种交通情境下均能安全有效地执行驾驶操作。

📝 摘要（中文）

本文针对高速公路上自动驾驶车辆的交通预测与控制问题进行了研究。采用改进的交互多模型卡尔曼滤波算法，考虑交通参与者之间的相互作用来预测其运动行为。同时，利用场景生成组件基于预测信息生成合理的车辆场景。提出了一种新颖的集成决策与控制系统，应用场景基础的模型预测控制方法，设计的控制器考虑了安全性、驾驶舒适性和交通规则。在包含“最坏情况”作为附加场景以确保安全输入的情况下，控制器的递归可行性得以保证。最后，利用HighD数据集对所提方案进行了评估，仿真结果表明在不同交通情况下，车辆在设计的控制框架下能够安全地进行操作。

🔬 方法详解

问题定义：本文旨在解决高速公路上自动驾驶车辆的交通预测与控制问题。现有方法在预测交通参与者行为时，往往未能充分考虑其相互作用，导致预测结果的准确性和可靠性不足。

核心思路：论文提出了一种改进的交互多模型卡尔曼滤波算法，能够更好地捕捉交通参与者之间的动态交互关系，从而提高运动行为的预测精度。同时，结合场景生成技术，生成合理的交通场景以辅助决策。

技术框架：整体架构包括三个主要模块：1) 交互多模型卡尔曼滤波器用于预测交通参与者的行为；2) 场景生成组件基于预测信息生成合理的交通场景；3) 场景基础的模型预测控制系统用于决策与控制，确保车辆在遵循交通规则的同时，兼顾安全性与驾驶舒适性。

关键创新：最重要的技术创新在于将交互多模型卡尔曼滤波与场景基础的模型预测控制相结合，形成一个闭环系统，能够在复杂交通环境中实现更高效的决策与控制。与传统方法相比，该方法更能适应动态变化的交通状况。

关键设计：在设计过程中，控制器的递归可行性通过引入“最坏情况”场景得以保证，确保了控制输入的安全性。此外，控制器在设计时考虑了多个性能指标，包括安全性、驾驶舒适性和遵循交通规则等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提控制框架在HighD数据集上的仿真测试中，车辆在多种交通情境下均能安全地执行操作，表现出较传统方法更高的安全性和驾驶舒适性，具体提升幅度未明确给出。

🎯 应用场景

该研究的潜在应用领域包括高速公路自动驾驶系统、智能交通管理系统等。通过提高交通预测的准确性和控制的安全性，能够显著提升自动驾驶车辆在复杂交通环境中的表现，推动智能交通的发展与普及。

📄 摘要（原文）

This paper addresses the problem of traffic prediction and control of autonomous vehicles on highways. A modified Interacting Multiple Model Kalman filter algorithm is applied to predict the motion behavior of the traffic participants by considering their interactions. A scenario generation component is used to produce plausible scenarios of the vehicles based on the predicted information. A novel integrated decision-making and control system is proposed by applying a Scenario-based Model Predictive Control approach. The designed controller considers safety, driving comfort, and traffic rules. The recursive feasibility of the controller is guaranteed under the inclusion of the `worst case' as an additional scenario to obtain safe inputs. Finally, the proposed scheme is evaluated using the HighD dataset. Simulation results indicate that the vehicle performs safe maneuvers in different traffic situations under the designed control framework.