[논문 리뷰] Stochastic MPC with Dual Control for Autonomous Driving with Multi-Modal Interaction-Aware Predictions

Siddharth H. Nair, Vijay Govindarajan외 4명|arXiv (Cornell University)|2022. 08. 06.

Advanced Control Systems Optimization인용 수 7

한 줄 요약

이 논문은 이중 제어 원리를 사용하여 주변 차량의 다중 모드 및 상호작용 인식 예측을 통합한 확률적 모델 예측 제어(SMPC) 프레임워크를 제안한다. 매개변수화된 제어 법칙에 대해 최적화하고 칼만 필터링을 통해 알 수 없는 운전자 모델 가중치를 추정함으로써, 불확실하고 상호작용이 있는 교통 상황에서의 보수성과 타당성을 감소시켜 제어 성능을 향상시킨다. 종방향 제어 시뮬레이션을 통해 충돌 회피 능력 향상과 강인성 향상이 입증되었다.

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.

연구 동기 및 목표

• 주변 차량의 다중 모드 행동에서 기인하는 불확실성으로 인한 자율 주행에서의 보수적이고 타당하지 않은 제어 문제를 해결하기 위해.
• 고정된 제어 시퀀스가 아닌 매개변수화된 제어 법칙에 대해 최적화함으로써 확률적 MPC의 보수성을 감소시키기 위해.
• SMPC 프레임워크 내에서 칼만 필터링을 사용하여 실시간으로 알 수 없는 운전자 모델 가중치(예: 다양한 주행 동작에 대한)를 추정할 수 있도록 하기 위해.
• 각 주행 모드에 대해 동적 특성 가중치를 갖는 모드의 혼합으로 주변 차량의 행동을 모델링함으로써 상호작용 인식 예측을 통합하기 위해.
• 베이지안 모드 확률 업데이트를 통해 더 가능성이 높은 주행 모드를 우선시함으로써 제어의 타당성과 안전성을 향상시키기 위해.

제안 방법

• 자율 주행 차량(EV)은 과정 노이즈가 있는 선형 시간 변화(LTV) 시스템으로 모델링되며, 주변 차량(TVs)은 알려진 특성이 있는 모드별 운전자 모델과 알 수 없는 시간 변화 가중치를 갖는다.
• 각 TV 모드는 고정된 특성 기저와 알 수 없는 가중치의 곱으로 구성되며, 이 가중치들은 과정 노이즈가 있는 랜덤 워크 모델에 따라 시간이 지남에 따라 변화한다.
• SMPC 설정은 고정된 제어 시퀀스가 아닌 제어 법칙의 시퀀스에 대해 최적화함으로써, 불확실성 하에서의 타당성을 향상시킨다.
• 칼만 필터링을 사용하여 각 TV 모드의 알 수 없는 특성 가중치를 실시간으로 추정함으로써 이중 제어를 실현: 제어와 추정이 함께 최적화된다.
• 베이지안 업데이트를 통해 관측된 궤적을 바탕으로 TV 모드에 대한 확률 분포를 유지함으로써, 제어 최적화에서 더 가능성이 높은 모드를 우선시한다.
• 예측 수평 기간 동안 EV와 TV 상태의 동시 진화를 표현하기 위해 행렬 함수(M_A, M_B, M_D 등)를 사용하여 예측 행렬을 스택 형식으로 유도한다.

실험 결과

연구 질문

• RQ1 SMPC에서 매개변수화된 제어 법칙에 대해 최적화함으로써 다중 모드 불확실성 하에서 자율 주행의 보수성 감소와 타당성 향상이 가능할까?
• RQ2 실시간으로 알 수 없는 운전자 모델 가중치를 SMPC 프레임워크에 통합하면 예측 정확도와 제어 성능에 어떤 영향을 미칠까?
• RQ3 제어와 추정을 동시에 최적화하는 이중 제어가 상호작용 인식 자율 주행에서 안전성과 강인성을 얼마나 향상시킬까?
• RQ4 베이지안 업데이트를 통해 더 가능성이 높은 주행 모드를 우선시함으로써 불확실한 교통 상황에서의 제어 성능과 충돌 회피 능력에 어떤 영향을 미칠까?
• RQ5 상호작용 인식 및 다중 모드 예측을 사용할 경우 SMPC 기반 자율 주행 제어기의 타당성과 안전성에 어떤 영향을 미칠까?

주요 결과

• 제안된 이중 제어를 통한 SMPC는 고정된 제어 시퀀스에 대해 최적화하는 전통적 SMPC에 비해 보수성을 크게 감소시켜 해의 타당성을 향상시킨다.
• 칼만 필터링을 통해 각 TV 모드에 대해 알 수 없는 운전자 모델 가중치를 정확하고 실시간으로 추정할 수 있었으며, 이는 예측 정밀도 향상과 제어 반응성 향상에 기여했다.
• 베이지안 모드 확률 업데이트 통합으로 인해 컨트롤러는 더 가능성이 높은 주행 동작을 우선시할 수 있었고, 불확실성 하에서도 안전성과 성능 향상이 이루어졌다.
• 모든 모드에서 신뢰할 수 있는 충돌 회피 성능을 유지하면서도, EV 및 TV 동역학에서의 높은 예측 불확실성 하에서도 타당성을 유지했다.
• 제거 실험 결과 이중 제어와 모드 확률 가중치가 복잡하고 상호작용이 많은 교통 상황에서 성능과 강인성을 유지하는 데 핵심적임을 확인했다.
• 시뮬레이션 결과 제안된 방법이 다중 모드 상호작용 하에서 기준 SMPC 대비 제어 타당성과 안전 마진 측면에서 뛰어난 성능을 보였다.