[논문 리뷰] Reactive motion planning with probabilistic safety guarantees

Yuxiao Chen, Ugo Rosolia외 3명|arXiv (Cornell University)|2020. 11. 06.

Autonomous Vehicle Technology and Safety참고 문헌 40인용 수 7

한 줄 요약

이 논문은 제어되지 않는 에이전트가 존재하는 환경에서 운영되는 자율 에이전트를 위한 확률적 안전 보장을 갖춘 반응형 운동 계획 프레임워크를 제안한다. 유한한 수평선 동안 예측 가능한 궤적을 생성하기 위해 신경망 기반 예측 모델에 일치 회귀, 후행 팽창, 서포트 벡터 머신(SVM) 방법을 사용하며, 이를 통해 모델 예측 제어기(MPC)가 정량화된 정확성 보장을 갖춘 안전하고 반응형 경로를 계획할 수 있다. 이는 실제 고속도로 주행 데이터를 통해 검증되었다.

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.

연구 동기 및 목표

• 다른 에이전트가 제어되지 않으며 비결정적인 행동을 보이는 다에이전트 환경에서 안전한 운동 계획을 가능하게 하기 위해.
• 데이터 기반 모델을 사용하여 제어되지 않는 에이전트의 궤적 예측 정확성에 대한 확률적 보장을 제공하기 위해.
• 예측 모델과 표준 운동 계획 도구(예: 모델 예측 제어(MPC)) 간의 호환성을 확보하기 위해.
• 반응형 에이전트 행동을 실시간 계획에 활용하여 안전성과 비과도적인 태도 사이의 균형을 이루는 프레임워크를 개발하기 위해.
• 실제 고속도로 주행 데이터를 사용하여 접근 방식을 검증하고 불확실성 하에서의 강건성을 입증하기 위해.

제안 방법

• 신경망이 시나리오 특성(가용성)을 기반으로 짧은 시간 수평선 내에서 제어되지 않는 에이전트의 향후 가능 궤적 집합을 예측하도록 훈련된다.
• 예측의 정확성 보장을 보장하기 위해 후행 팽창, 서포트 벡터 머신(SVM), 일치 회귀와 같은 세 가지 후처리 방법이 적용된다.
• 일치 회귀를 사용하여 예측 간격 $[f(x)-d, f(x)+d]$를 계산하며, 이는 진짜 궤적이 최소 $1 - \varepsilon$ 확률로 간격 내에 존재하도록 보장한다. 이는 校정 세트에서 잔차 분位수를 기반으로 한다.
• 예측 모델은 관련된 신뢰 구간이 포함된 후보 궤적 집합을 출력하며, 이는 직접적으로 반응형 모델 예측 제어기(MPC)에 의해 소비된다.
• MPC 계획기에서는 신뢰 구간 내의 모든 예측 궤적을 회피함으로써 충돌을 방지함으로써 불확실성 하에서의 안전성을 확보한다.
• 모든 세 가지 방법을 사용하여 예측 모델의 일반화 한계를 증명하며, 예측 정확성에 대한 이론적 보장을 수립한다.

실험 결과

연구 질문

• RQ1 데이터 기반 예측 모델이 다에이전트 환경에서 제어되지 않는 에이전트의 향후 궤적에 대해 정확성에 대한 확률적 보장을 제공할 수 있는가?
• RQ2 이러한 예측 모델을 표준 운동 계획 프레임워크(예: 모델 예측 제어(MPC))와 호환되도록 만들 수 있는가?
• RQ3 후행 팽창, SVM, 일치 회귀는 신뢰성 있는 예측 간격을 생성하는 데 있어 상대적인 강점과 한계는 무엇인가?
• RQ4 제안된 프레임워크는 과도하게 경계를 두는 행동을 피하면서도 운동 계획에서 안전성을 확보할 수 있는가?
• RQ5 다양한 데이터 분포와 커버리지 수준에서 다양한 불확실성 정량화 방법의 성능은 어떻게 나타나는가?

주요 결과

• 일치 회귀 방법은 이론적 10% 비성공률에 대해 실증적 비성공률 10.16%를 기록했으며, 이론적 비율과 실증적 비율 간의 차이가 모든 테스트 수준에서 작게 유지되었다.
• 이론적 비성공률 1%에 대해 실증적 비성공률는 1.0691%였으며, 이는 이론적 보장과 실증 성능 간의 강력한 일치를 보여주었다.
• 비성공률 $\varepsilon$가 10%에서 0.04%로 감소함에 따라 가중 평균 신뢰 구간 너비 $d$는 0.0972에서 0.2442로 증가했으며, 이는 더 높은 신뢰도에서 더 좁은 범위를 의미한다.
• 제한된 데이터로도 각 궤적 유형에 대해 신뢰할 수 있는 확률적 보장을 달성했지만, 일부 기본 궤적에 대해 데이터가 희소할 경우 성능 저하가 발생했다.
• 후행 팽창은 일치 회귀에 비해 클래스 불균형에 덜 민감했으며, 일치 회귀는 각 카테고리에 충분한 데이터가 필요로 하여 최적 성능을 발휘했다.
• 실제 NGSIM 고속도로 주행 데이터를 사용한 시뮬레이션에서 이 프레임워크는 안전하고 반응형 운동 계획을 성공적으로 구현했으며, MPC 제어기는 예측된 궤적 집합을 활용하여 충돌을 피했다.