[論文レビュー] Reactive motion planning with probabilistic safety guarantees

Yuxiao Chen, Ugo Rosolia+3 more|arXiv (Cornell University)|Nov 6, 2020

Autonomous Vehicle Technology and Safety参考文献 40被引用数 7

ひとこと要約

本稿では、制御不能なエージェントが存在する環境で自律エージェントが動作するための、確率的安全保証を備えた反応型運動計画フレームワークを提案する。予測モデルにニューラルネットワークを用い、コーシャル回帰、後処理による膨張、SVM手法を組み合わせることで、有限時間スパンにおける軌道予測を生成し、モデル予測制御（MPC）が、定量的な正しさ保証を伴う安全で反応性の高いパス計画を可能にする。実際の高速道路走行データを用いた実証により有効性が検証された。

ABSTRACT

Motion planning in environments with multiple agents is critical to many important autonomous applications such as autonomous vehicles and assistive robots. This paper considers the problem of motion planning, where the controlled agent shares the environment with multiple uncontrolled agents. First, a predictive model of the uncontrolled agents is trained to predict all possible trajectories within a short horizon based on the scenario. The prediction is then fed to a motion planning module based on model predictive control. We proved generalization bound for the predictive model using three different methods, post-bloating, support vector machine (SVM), and conformal analysis, all capable of generating stochastic guarantees of the correctness of the predictor. The proposed approach is demonstrated in simulation in a scenario emulating autonomous highway driving.

研究の動機と目的

• 他のエージェントが制御不能で非決定的行動を示す多エージェント環境において、安全な運動計画を可能にすること。
• データ駆動型モデルを用いて、制御不能エージェントの軌道予測の正しさについて確率的保証を提供すること。
• 予測モデルと標準的な運動計画ツール（例：モデル予測制御（MPC））との互換性を確保すること。
• 反応型エージェント行動をリアルタイム計画に活用することで、安全と非過剰保守のバランスを図るフレームワークの開発。
• 実世界の高速道路走行データを用いた実証により、不確実性下での頑健性を示すこと。

提案手法

• 短い時間スパン内で、状況特徴（アフォーダンス）に基づき、制御不能エージェントの将来の複数の可能な軌道を予測するためのニューラルネットワークを学習する。
• 予測の正しさ保証を満たすために、後処理として「後処理による膨張」「サポートベクターマシン（SVM）」「コーシャル回帰」の3つの手法を適用し、確率的信頼区間を生成する。
• コーシャル回帰を用いて、真の軌道が確率 $1 - \varepsilon$ 以上で $[f(x)-d, f(x)+d]$ の予測区間内に含まれるようにする。これは、キャリブレーションデータセットからの残差分位数に基づく。
• 予測モデルは、関連する信頼区間を伴った候補軌道の集合を出力し、これを直接反応型モデル予測制御（MPC）が処理する。
• MPCプランナは、信頼区間内に含まれるすべての予測軌道を避けることで安全な軌道を選択し、不確実性下での安全確保を実現する。
• 3つの手法すべてを用いて、予測モデルの一般化限界を理論的に証明し、予測の正しさに関する理論的保証を確立する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型予測モデルは、多エージェント環境における制御不能エージェントの将来軌道の正しさについて、確率的保証を提供できるか？
• RQ2 このような予測モデルを、モデル予測制御（MPC）のような標準的な運動計画フレームワークとどのように統合できるか？
• RQ3 後処理による膨張、SVM、コーシャル回帰の各手法は、信頼性の高い予測区間を生成する上で、それぞれどのような強みと限界を有するか？
• RQ4 提案されたフレームワークは、過剰保守的行動を避ける一方で、運動計画における安全性を確保できるか？
• RQ5 異なる不確実性定量化手法は、データ分布やカバレッジレベルの変化に対して、どのように性能を示すか？

主な発見

• コーシャル回帰手法では、理論的な10%の誤カバレッジ率に対して、実験的誤カバレッジ率が10.16%に達し、理論値と実測値の差が全テストレベルで小さく保たれた。
• 理論的誤カバレッジ率1%の条件下では、実験的誤カバレッジ率は1.0691%に達し、理論的保証と実測性能の間で強い整合性が確認された。
• 誤カバレッジ率 $\varepsilon$ が10%から0.04%に低下するに従い、重み付き平均信頼区間幅 $d$ は0.0972から0.2442に増加し、信頼度が高くなるに従い区間が狭くなる傾向が確認された。
• 限られたデータ量での各軌道カテゴリに対しても、信頼性の高い確率的保証が達成されたが、特定の基本軌道のデータが不足している場合には性能が低下した。
• 後処理による膨張は、データセット内のクラス不均衡に対してコーシャル回帰よりも感受性が低く、最適性能を得るためには各カテゴリに十分なデータが必要なコーシャル回帰と比較して、よりロバストであった。
• 本フレームワークは、実際のNGSIM高速道路走行データを用いたシミュレーションにおいて、安全で反応性の高い運動計画を成功裏に実現した。MPCプランナは、予測された軌道集合を活用することで、衝突を回避した。