[论文解读] Adaptive Conformal Prediction for Motion Planning among Dynamic Agents

Anushri Dixit, Lars Lindemann+4 more|arXiv (Cornell University)|Dec 1, 2022

Advanced Control Systems Optimization被引用 6

一句话总结

本文提出了一种自适应合情推理预测框架，用于在动态环境中对不确定的智能体轨迹进行运动规划。通过利用无需分布假设、非参数的预测集，并使其随环境变化自适应调整，该方法在每个时间步均能以高概率（1−δ）满足安全约束，即使在未知、非平稳的动力学条件下亦成立。

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.

研究动机与目标

• 解决在智能体轨迹未知且可能非平稳时，确保运动规划安全性的挑战。
• 为动态环境中时变约束提供无需分布假设、非参数的安全保证。
• 开发一种随时间自适应调整预测集的方法，以在系统条件变化时保持高可靠性。
• 确保利普希茨连续的约束函数（如避障）在每个时间步均以至少1−δ的概率满足。
• 在保持初始可行性（c(x₀,y₀) ≥ 0）的同时，动态调整预测以适应不断演化的轨迹。

提出的方法

• 使用包含未知随机轨迹 Y ∼ D(x) 的系统模型，以及利普希茨连续的约束函数 c: ℝⁿ × ℝⁿᴺ → ℝ，来表述运动规划问题。
• 应用自适应合情推理，生成在每个时间步边缘有效的预测集，确保约束 c(x,y) ≥ 0 以至少 1−δ 的概率成立。
• 采用时间自适应校准程序，基于历史数据和当前观测更新预测集，从而在非独立同分布条件下提升可靠性。
• 利用约束函数的利普希茨性质（例如，c(x,y) = ||x−y||−0.5 ≥ 0，利普希茨常数为1）来限制预测误差并确保稳定性。
• 通过假设 c(x₀,y₀) ≥ 0 保持初始可行性，并利用自适应置信集将该假设随时间传播。
• 基于合情推理原理构建预测集，其无需分布假设，且在数据生成过程的最小假设下依然有效。

实验结果

研究问题

• RQ1 当智能体轨迹未知且非平稳时，如何在运动规划中保证安全性？
• RQ2 自适应合情推理能否提供有效的、时变的预测集，以确保以高概率满足约束？
• RQ3 对约束函数的利普希茨连续性假设，对预测框架的可靠性与适应性有何影响？
• RQ4 该方法如何在实时动态调整新观测的同时保持初始可行性？
• RQ5 在对轨迹分布假设最少的情况下，该框架在多大程度上仍保持有效性？

主要发现

• 所提出的自适应合情推理框架确保在每个时间步，约束函数 c(x,y) ≥ 0 均以至少 1−δ 的概率满足，即使在未知、非平稳的动力学条件下亦成立。
• 该方法无需对轨迹底层分布做任何假设，仅依赖于约束函数的利普希茨连续性即可保持有效性。
• 该框架能够随时间自适应调整预测集，在传统方法可能失效的非独立同分布环境中提升可靠性。
• 通过假设 c(x₀,y₀) ≥ 0 保持初始可行性，并利用自适应校准将该假设随时间传播。
• 该方法为运动规划提供了有效、无需分布假设的安全保证，其中约束函数的利普希茨常数（例如避障场景中为1）在误差控制中起关键作用。
• 该方法对环境变化具有鲁棒性，并具备强有限样本有效性，适用于真实世界机器人应用。