[論文レビュー] Stochastic MPC with Dual Control for Autonomous Driving with Multi-Modal Interaction-Aware Predictions

Siddharth H. Nair, Vijay Govindarajan+4 more|arXiv (Cornell University)|Aug 6, 2022

Advanced Control Systems Optimization被引用数 7

ひとこと要約

本稿は、二重制御原理を用いて周囲車両のマルチモーダルかつインタラクション対応予測を統合する、自律走行を目的とした確率的モデル予測制御（SMPC）フレームワークを提案する。パラメータ化された制御則の最適化と、カルマンフィルタを用いた未知のドライバーモデル重みの推定により、不確実性が高く相互作用的な交通状況において、保守的でない制御と制御の実行可能性を向上させる。縦方向制御シミュレーションにおいて、衝突回避性と耐障害性の向上が確認された。

ABSTRACT

We propose a Stochastic MPC (SMPC) approach for autonomous driving which incorporates multi-modal, interaction-aware predictions of surrounding vehicles. For each mode, vehicle motion predictions are obtained by a control model described using a basis of fixed features with unknown weights. The proposed SMPC formulation finds optimal controls which serves two purposes: 1) reducing conservatism of the SMPC by optimizing over parameterized control laws and 2) prediction and estimation of feature weights used in interaction-aware modeling using Kalman filtering. The proposed approach is demonstrated on a longitudinal control example, with uncertainties in predictions of the autonomous and surrounding vehicles.

研究の動機と目的

• 周囲車両のマルチモーダル行動に起因する不確実性による、自律走行における保守的かつ実行不能な制御の課題に対処すること。
• 固定制御シーケンスではなく、パラメータ化された制御則の最適化により、確率的 MPC の保守的特性を低減すること。
• MPC フレームワーク内でのカルマンフィルタを用いた、未知のドライバーモデル重み（例えば、異なる走行行動のためのもの）のリアルタイム推定を可能にすること。
• 周囲車両の行動を動的特徴重み付きのモードの混合としてモデル化することで、インタラクション対応予測を統合すること。
• ベイズ的モード確率更新によりより確率の高い走行モードを優先することで、制御の実行可能性と安全性を向上させること。

提案手法

• エゴ車両（EV）は、プロセスノイズを伴う線形時変動（LTV）システムとしてモデル化される。一方、周囲車両（TV）は、既知の特徴と未知の時変動重みを持つモード固有のドライバーモデルとしてモデル化される。
• 各 TV モードでは、固定特徴の基底を未知の重みで乗算し、その重みはプロセスノイズを伴うランダムウォークモデルに従って時間経過とともに変化する。
• SMPC の定式化では、固定制御シーケンスではなく制御則のシーケンスを最適化することで、不確実性下での実行可能性を向上させる。
• カルマンフィルタを用いて、各 TV モードの未知の特徴重みをリアルタイムで推定し、二重制御（制御と推定の共同最適化）を実現する。
• ベイズ更新により、観測された軌跡に基づいて TV モードの確率分布を維持し、制御最適化においてより可能性の高いモードを優先する。
• 予測ホライズン全体にわたり、EV と TV の状態の同時進化を表すために、行列関数（例：M_A、M_B、M_D）を用いて積み重ね予測行列を導出する。

実験結果

リサーチクエスチョン

• RQ1 SMPC においてパラメータ化された制御則の最適化が、マルチモーダルな不確実性下での自律走行における保守的特性の低減と実行可能性の向上に寄与するか。
• RQ2 未知のドライバーモデル重みのリアルタイム推定をどのように SMPC フレームワークに統合することで、予測精度と制御性能を向上させられるか。
• RQ3 制御と推定を同時に最適化する二重制御は、インタラクション対応自律走行における安全性と耐障害性をどの程度向上させるか。
• RQ4 ベイズ更新によるより確率の高い走行モードの優先順位付けが、不確実な交通状況下での制御性能と衝突回避性に与える影響は何か。
• RQ5 インタラクション対応のマルチモーダル予測を用いることで、SMPC を用いた自律走行制御の実行可能性と安全性にどのような影響を与えるか。

主な発見

• 提案された二重制御付き SMPC は、固定制御シーケンスを最適化する従来の SMPC と比較して、著しく保守的特性を低減し、解の実行可能性を向上させた。
• カルマンフィルタにより、各 TV モードの未知のドライバーモデル重みを高精度かつリアルタイムで推定でき、予測の正確性と制御の応答性が向上した。
• ベイズ的モード確率更新の統合により、コントローラーはより可能性の高い走行行動を優先できるようになり、不確実性下での安全性と性能が向上した。
• 本手法は、EV および TV の動的モデルにおける高い予測不確実性下でも、すべてのモードで信頼性のある衝突回避を達成し、実行可能性を維持した。
• アブレーションスタディの結果、複雑で相互作用的な交通状況下でも性能と耐障害性を維持するには、二重制御とモード確率重み付けが不可欠であることが確認された。
• シミュレーション結果から、本手法はマルチモーダルな相互作用下において、ベースライン SMPC に比べて制御の実行可能性と安全マージンの両面で優れた性能を示した。