[論文レビュー] Adaptive Conformal Prediction for Motion Planning among Dynamic Agents

Anushri Dixit, Lars Lindemann+4 more|arXiv (Cornell University)|Dec 1, 2022

Advanced Control Systems Optimization被引用数 6

ひとこと要約

本稿では、不確実なエージェント軌道を伴う動的環境における運動計画のための適応的コンフォーマル予測フレームワークを提案する。変化する状態に適応する分布フリーで非パラメトリックな予測集合を活用することで、未知で非定常なダイナミクス下でも、各時刻で安全制約が高確率（1−δ）で満たされることを保証する。

ABSTRACT

This paper proposes an algorithm for motion planning among dynamic agents using adaptive conformal prediction. We consider a deterministic control system and use trajectory predictors to predict the dynamic agents' future motion, which is assumed to follow an unknown distribution. We then leverage ideas from adaptive conformal prediction to dynamically quantify prediction uncertainty from an online data stream. Particularly, we provide an online algorithm uses delayed agent observations to obtain uncertainty sets for multistep-ahead predictions with probabilistic coverage. These uncertainty sets are used within a model predictive controller to safely navigate among dynamic agents. While most existing data-driven prediction approached quantify prediction uncertainty heuristically, we quantify the true prediction uncertainty in a distribution-free, adaptive manner that even allows to capture changes in prediction quality and the agents' motion. We empirically evaluate of our algorithm on a simulation case studies where a drone avoids a flying frisbee.

研究の動機と目的

• エージェント軌道が未知で非定常な場合に、運動計画における安全性を確保する課題に対処すること。
• 動的環境における時変制約に対して、分布フリーで非パラメトリックな安全性保証を提供すること。
• 時間経過に伴い予測集合を適応的に更新する手法を開発し、変化するシステム状態下でも高い信頼性を維持すること。
• リプシッツ連続な制約関数（例えば障害物回避）が、各時刻で確率1−δ以上で満たされることを保証すること。
• 初期の実行可能性（c(x₀,y₀) ≥ 0）を維持しつつ、進化する軌道に応じて予測を動的に調整すること。

提案手法

• 未知の確率的軌道 Y ∼ D(x) を持つシステムモデルと、リプシッツ連続な制約関数 c: ℝⁿ × ℝⁿᴺ → ℝ を用いて運動計画問題を定式化する。
• 適応的コンフォーマル予測を適用し、各時刻でマージナルに有効な予測集合を生成することで、制約 c(x,y) ≥ 0 が確率1−δ以上で成立することを保証する。
• 時間に適応するキャリブレーション手順を用いて、履歴データと現在の観測に基づき予測集合を更新し、i.i.d.でない条件下でも信頼性を向上させる。
• 制約関数のリプシッツ性（例：c(x,y) = ||x−y||−0.5 ≥ 0 でリプシッツ定数1）を活用し、予測誤差を制御し安定性を確保する。
• 初期の実行可能性を保つために c(x₀,y₀) ≥ 0 を仮定し、適応的信頼区間を用いてこれを時間経過に伴い伝播する。
• 分布フリーで、データ生成プロセスに対する仮定を最小限に抑えたコンフォーマル予測の原則に従い、予測集合を構築する。

実験結果

リサーチクエスチョン

• RQ1 エージェント軌道が未知で非定常な場合に、運動計画における安全性をどのように保証できるか？
• RQ2 適応的コンフォーマル予測は、有効で時変な予測集合を提供でき、制約の満たされる高確率保証を達成できるか？
• RQ3 制約関数のリプシッツ連続性を仮定することで、予測フレームワークの信頼性と適応性にどのような影響を与えるか？
• RQ4 リアルタイムで新たな観測に応じて動的に調整しながら、初期の実行可能性をどのように維持できるか？
• RQ5 軌道の分布について最小限の仮定しか行わない状況下でも、フレームワークがどの程度有効に保たれるか？

主な発見

• 提案された適応的コンフォーマル予測フレームワークは、未知で非定常なダイナミクス下でも、各時刻で制約関数 c(x,y) ≥ 0 が確率1−δ以上で満たされることを保証する。
• この手法は、軌道の背後にある分布に関する仮定を一切必要とせず、制約関数のリプシッツ連続性に依存するのみである。
• フレームワークは時間経過に伴い予測集合を適応的に更新し、従来の手法が失敗する非i.i.d.環境でも信頼性を向上させる。
• 初期の実行可能性は c(x₀,y₀) ≥ 0 の仮定に基づき、適応的キャリブレーションを用いて時間経過に伴い伝播される。
• 本手法は有効で分布フリーな安全性保証を達成し、制約関数のリプシッツ定数（例：障害物回避では1）が誤差制御において重要な役割を果たす。
• 変化する環境に強く、有限標本における有効性が強く保証されるため、実世界のロボットアプリケーションに適している。