[논문 리뷰] Adaptive Conformal Prediction for Motion Planning among Dynamic Agents

Anushri Dixit, Lars Lindemann외 4명|arXiv (Cornell University)|2022. 12. 01.

Advanced Control Systems Optimization인용 수 6

한 줄 요약

이 논문은 불확실한 에이전트 궤적을 가진 동적 환경에서 운동 계획을 위한 적응형 콫라스티프 예측 프레임워크를 제안한다. 변화하는 조건에 적응하는 분포 자유, 비모수적 예측 집합을 활용하여, 알려지지 않은 비정상적인 동역학 조건 하에서도 각 시간 단계에서 안전 제약 조건이 높은 확률(1−δ)로 만족됨을 보장한다.

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.

연구 동기 및 목표

• 에이전트 궤적이 알려지지 않았고 잠재적으로 비정상적일 때 운동 계획의 안전성을 확보하는 데 도전 과제를 해결한다.
• 변동하는 제약 조건에 대해 분포 자유, 비모수적 안전 보장을 제공한다.
• 시간에 따라 변화하는 시스템 조건에서 높은 신뢰성을 유지하기 위해 예측 집합을 적응적으로 조정하는 방법을 개발한다.
• 장애물 회피와 같은 리프시츠 연속 제약 함수가 각 시간 단계에서 확률 최소 1−δ로 만족됨을 보장한다.
• 초기 탐색 가능성(c(x₀,y₀) ≥ 0)을 유지하면서 변화하는 궤적에 실시간으로 예측을 동적으로 조정한다.

제안 방법

• 알려지지 않은 랜덤 궤적 Y ∼ D(x)와 리프시츠 연속 제약 함수 c: ℝⁿ × ℝⁿᴺ → ℝ을 포함하는 시스템 모델을 사용하여 운동 계획 문제를 수립한다.
• 각 시간 단계에서 유효한 마진형 예측 집합을 생성하기 위해 적응형 콕라스티프 예측을 적용하여, 제약 조건 c(x,y) ≥ 0이 확률 최소 1−δ로 만족됨을 보장한다.
• 과거 데이터와 현재 관측치를 기반으로 시간에 따라 적응하는 校정 절차를 사용하여 예측 집합을 업데이트함으로써 비i.i.d. 조건 하에서도 신뢰성을 향상시킨다.
• 예측 오차를 제어하고 안정성을 확보하기 위해 제약 함수의 리프시츠 성질(예: 리프시츠 상수 1을 가진 c(x,y) = ||x−y||−0.5 ≥ 0)을 활용한다.
• 초기 탐색 가능성은 c(x₀,y₀) ≥ 0을 가정하고, 적응형 신뢰 집합을 사용하여 시간에 따라 이를 전파한다.
• 예측 집합을 구성할 때 분포 자유이며 데이터 생성 과정에 대한 최소한의 가정만 필요한 콕라스티프 예측 원리를 활용한다.

실험 결과

연구 질문

• RQ1 에이전트 궤적이 알려지지 않았고 비정상적일 때 운동 계획에서 안전성이 어떻게 보장될 수 있는가?
• RQ2 적응형 콕라스티프 예측은 제약 조건 만족 보장을 높은 확률로 보장하는 유효한 시간에 따라 변하는 예측 집합을 제공할 수 있는가?
• RQ3 제약 함수의 리프시츠 연속성 가정이 예측 프레임워크의 신뢰성과 적응 가능성에 미치는 영향은 무엇인가?
• RQ4 실시간으로 새로운 관측치에 동적으로 대응하면서 초기 탐색 가능성은 어떻게 유지할 수 있는가?
• RQ5 궤적의 분포에 대해 최소한의 가정만을 둘 때 이 프레임워크는 얼마나 유효한가?

주요 결과

• 제안된 적응형 콕라스티프 예측 프레임워크는 알려지지 않은 비정상적인 동역학 조건 하에서도 각 시간 단계에서 제약 함수 c(x,y) ≥ 0가 확률 최소 1−δ로 만족됨을 보장한다.
• 이 방법은 궤적의 배경 분포에 대한 가정 없이도 유효성을 유지하며, 오직 제약 함수의 리프시츠 연속성에 의존한다.
• 프레임워크는 시간에 따라 예측 집합을 적응적으로 조정하여 기존 방법이 실패할 수 있는 비i.i.d. 환경에서도 신뢰성을 향상시킨다.
• 초기 탐색 가능성은 c(x₀,y₀) ≥ 0를 가정하고, 적응형 校정을 통해 시간에 따라 전파된다.
• 이 접근법은 분포 자유 안전 보장을 실현하며, 제약 함수의 리프시츠 상수(예: 장애물 회피의 경우 1)가 오차 제어에 핵심적인 역할을 한다.
• 이 방법은 변화하는 환경에 강건하며, 유한 표본 유효성을 확보하여 실세계 로봇 응용에 적합하다.