[논문 리뷰] Risk-aware Vehicle Motion Planning Using Bayesian LSTM-Based Model Predictive Control

Yufei Huang, Mohsen A. Jafari|arXiv (Cornell University)|2023. 01. 15.

Autonomous Vehicle Technology and Safety인용 수 5

한 줄 요약

이 논문은 베이지안 장기 단기 기억(BLSTM) 네트워크를 모델 예측 제어(MPC)와 통합하여 자율주행차를 위한 위험 인식 운동 계획 프레임워크를 제안한다. BLSTM는 주변 차량의 확률적 궤적을 예측하여 동적 충돌 위험을 추정하고, 이를 하이브리드 오토마타 기반 MPC에 활용하여 안전하고 낮은 위험의 경로를 생성한다. 시뮬레이션 결과, 향후 충돌을 사전에 회피함으로써 인간 운전자의 성능을 뛰어넘는다.

ABSTRACT

Understanding the probabilistic traffic environment is a vital challenge for the motion planning of autonomous vehicles. To make feasible control decisions, forecasting future trajectories of adjacent cars is essential for intelligent vehicles to assess potential conflicts and react to reduce the risk. This paper first introduces a Bayesian Long Short-term Memory (BLSTM) model to learn human drivers' behaviors and habits from their historical trajectory data. The model predicts the probability distribution of surrounding vehicles' positions, which are used to estimate dynamic conflict risks. Next, a hybrid automaton is built to model the basic motions of a car, and the conflict risks are assessed for real-time state-space transitions based on environmental information. Finally, a BLSTM-based Model Predictive Control (MPC) is built to navigate vehicles through safe paths with the least predicted conflict risk. By merging BLSTM with MPC, the designed neural-based MPC overcomes the defect that traditional MPC is hard to model uncertain conflict risks. The simulation results show that our proposed BLSTM-based MPC performs better than human drivers because it can foresee potential conflicts and take action to avoid them.

연구 동기 및 목표

• 자율주행차 운동 계획에서 불확실하고 확률적인 교통 환경을 모델링하는 과제를 해결하기 위해.
• 역사적 궤적 데이터로부터 인간 운전 행동을 학습하여 동적 교통 환경에서의 위험 평가를 향상시키기 위해.
• 미래의 위험 분포를 추정하여 잠재적 충돌을 사전에 회피하는 운동 계획 시스템을 개발하기 위해.
• 伝통적 MPC가 불확실한 충돌 위험을 다루는 데에 한계를 가진 점을 극복하기 위해 베이지안 딥 러닝을 MPC와 통합하기 위해.

제안 방법

• 역사적 차량 궤적 데이터를 기반으로 베이지안 장기 단기 기억(BLSTM) 네트워크를 훈련시켜 주변 차량의 향후 위치의 확률 분포를 예측한다.
• BLSTM의 출력을 실시간으로 활용하여 각 잠재적 차량 상태 전이에 대한 동적 충돌 위험을 추정한다.
• 하이브리드 오토마타가 차량의 기본 운동 프리미티브를 모델링하여 계획 중에 이산적이고 연속적인 상태 전이를 가능하게 한다.
• BLSTM에서 추정한 위험 값이 유한 시간 간격 동안 제어 입력을 최적화하기 위해 모델 예측 제어(MPC) 프레임워크에 통합된다.
• MPC의 비용 함수에는 BLSTM가 예측한 충돌 확률에서 유도된 위험 페널티 항목이 포함되어 더 안전한 경로를 선호한다.
• 전체 시스템은 성능 평가를 위해 인간 운전 행동과 비교하기 위해 시뮬레이션 환경에서 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 BLSTM 모델은 역사적 궤적 데이터로부터 주변 차량의 확률적 행동을 효과적으로 학습하고 예측할 수 있는가?
• RQ2 동적 충돌 위험은 정확하게 추정되고 실시간 운동 계획에 통합될 수 있는가?
• RQ3 BLSTM를 강화한 MPC는 불확실하고 고위험 교통 상황에서 전통적 MPC를 능가할 수 있는가?
• RQ4 제안된 시스템은 인간 운전자보다 얼마나 효과적으로 향후 충돌을 예측하고 회피할 수 있는가?

주요 결과

• BLSTM 기반 MPC는 불확실성을 모델링하지 않는 기준 MPC 방법에 비해 예측된 충돌 위험을 크게 감소시켰다.
• 시스템은 확률적 궤적 예측을 통해 잠재적 충돌을 사전에 인지하고 사전 회피 조치를 취함으로써 성공적으로 작동했다.
• 시뮬레이션 결과, 제안된 방법은 안전성과 충돌 회피 측면에서 인간 운전자보다 뛰어난 성능을 보였다.
• MPC에 베이지안 불확실성 추정을 통합함으로써 예측 불가능한 에이전트가 존재하는 동적 교통 환경에서의 강인성이 향상되었다.