[論文レビュー] Safe Multi-Agent Interaction through Robust Control Barrier Functions with Learned Uncertainties

Richard Cheng, Mohammad Javad Khojasteh+2 more|arXiv (Cornell University)|Apr 11, 2020

Gaussian Processes and Bayesian Inference参考文献 41被引用数 19

ひとこと要約

本稿では、行列変量ガウス過程（MVG）から学習された不確実性バウンドを統合することで、動的かつ不確実な環境においても安全を保証するロバストなマルチエージェント制御バリア関数（CBF）を提案する。最小最大化のロバストCBFをリアルタイムの二次計画問題に変換することで、シミュレーション上、98.5％の衝突回避率を達成し、名目的なCBFよりも著しく優れた性能を発揮しながら、過剰な保守性を維持する。

ABSTRACT

Robots operating in real world settings must navigate and maintain safety while interacting with many heterogeneous agents and obstacles. Multi-Agent Control Barrier Functions (CBF) have emerged as a computationally efficient tool to guarantee safety in multi-agent environments, but they assume perfect knowledge of both the robot dynamics and other agents' dynamics. While knowledge of the robot's dynamics might be reasonably well known, the heterogeneity of agents in real-world environments means there will always be considerable uncertainty in our prediction of other agents' dynamics. This work aims to learn high-confidence bounds for these dynamic uncertainties using Matrix-Variate Gaussian Process models, and incorporates them into a robust multi-agent CBF framework. We transform the resulting min-max robust CBF into a quadratic program, which can be efficiently solved in real time. We verify via simulation results that the nominal multi-agent CBF is often violated during agent interactions, whereas our robust formulation maintains safety with a much higher probability and adapts to learned uncertainties

研究の動機と目的

• 異種エージェントが関与する不確実で現実的な環境で動作するマルチエージェントロボットシステムにおける安全性を保証するという、極めて重要な課題に取り組む。
• エージェントのダイナミクスを完全に把握していると仮定する名目的なマルチエージェントCBFの限界を克服する。実世界の不確実性下では、しばしば失敗する。
• ロボットおよび他のエージェントのダイナミクスにおける高信頼性の不確実性バウンドを組み込む、計算効率の高いロバストCBFフレームワークを開発する。
• 観測されたエージェントの軌跡から、マトリックス変量ガウス過程（MVG）を用いて動的不確実性バウンドをオンライン学習する。
• 最小最大化のロバストCBFを二次計画問題（QP）に再定式化することで、リアルタイムでの計算効率を維持しつつ、高い確率で安全性を保証する。

提案手法

• マトリックス変量ガウス過程（MVG）を用いて、他のエージェントおよびロボットのダイナミクスにおける状態依存的かつ相関のある不確実性をモデル化・学習する。
• 相互作用データを用いて、事前処理でMVGのハイパーパrameterを最適化し、高信頼性の楕円型不確実性推定値を生成する。
• MVGによる不確実性楕円体を、所望の信頼水準（例：95％または99％）で多面体バウンドに変換し、ロバスト制御の定式化を実施する。
• 学習されたバウンド内での最悪の不確実性に対しても安全性を保証する最小最大化ロバストCBFを定式化する。
• 最小最大化ロバストCBFの最適化問題を、リアルタイムで効率的に解ける二次計画問題（QP）に変換する。
• ロバストCBFを、ベイズ推論モジュールを備えた階層的制御アーキテクチャに統合し、オンラインでの不確実性推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 観測されたエージェントの軌跡から学習された動的不確実性バウンドは、マルチエージェントロボットナビゲーションの安全性を向上させることができるか？
• RQ2 学習された不確実性バウンドをロバストCBFフレームワークに組み込むことで、名目的なCBFと比較して衝突回避性能はどのように変化するか？
• RQ3 不確実性下でも安全性を保証しつつ、性能（最小限の干渉的制御）をどの程度維持できるか？
• RQ4 マトリックス変量ガウス過程は、マルチエージェントシステムにおける相関的かつ状態依存的な不確実性を効果的にモデル化・バウンディングできるか？
• RQ5 現実的でランダム化されたマルチエージェントシミュレーションにおいて、ロバストCBFは名目的なCBFと比較して、安全性の確率と保守性の観点でどの程度優れているか？

主な発見

• ロバストマルチエージェントCBFは、1,000回のランダム化試行において1.5％の衝突率を達成した。これは、名目的なCBF（15.0％の衝突率）を著しく上回る性能である。
• ロバストCBFは、少なくとも1−δ（δ=0.05）の確率で安全集合の前向き不変性を保証し、学習された不確実性バウンド下で安全性を保証する。
• 衝突までの平均距離は、ロバストCBFで7.4±2.3メートル、名目的なCBFで7.3±2.1メートルであり、安全性の向上にもかかわらず、追加の保守性は最小限に抑えられている。
• 真の摂動の約97％および99％が、それぞれ2σおよび3σの不確実性楕円体に含まれており、MVGベースの不確実性モデルの正確性が裏付けられた。
• 不確実性楕円体は状態依存的であり、公平な比較のため各状態ごとに正規化されている。これにより、MVGモデルが真のダイナミクスの不確実性分布を効果的に捉えていることが確認された。
• シミュレーション動画およびコードは公開されており、複雑で非構造的なマルチエージェント環境において、ロバストCBFのリアルタイム実行可能性と性能を実証している。