[论文解读] Reactive motion planning with probabilistic safety guarantees

Yuxiao Chen, Ugo Rosolia+3 more|arXiv (Cornell University)|Nov 6, 2020

Autonomous Vehicle Technology and Safety参考文献 40被引用 7

一句话总结

本文提出了一种针对在存在不可控智能体的环境中运行的自主智能体的反应式运动规划框架，具备概率安全性保障。该框架采用基于神经网络的预测模型，结合置信区间校准方法（如共形回归、后膨胀法和SVM），在有限时域内生成轨迹预测，使模型预测控制（MPC）器能够规划出具有量化正确性保障的安全、反应式路径，并在真实高速公路驾驶数据上进行了验证。

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.

研究动机与目标

• 在其他智能体不可控且行为具有非确定性的多智能体环境中，实现安全的运动规划。
• 利用数据驱动模型，为不可控智能体的轨迹预测提供概率性正确性保障。
• 确保预测模型与标准运动规划工具（如模型预测控制，MPC）之间的兼容性。
• 通过在实时规划中利用反应式智能体行为，构建一个在安全性和非保守性之间取得平衡的框架。
• 基于真实高速公路驾驶数据验证该方法，并展示其在不确定性下的鲁棒性。

提出的方法

• 训练一个神经网络，基于场景特征（如可达性特征）预测不可控智能体在短时间内可能采取的多种未来轨迹。
• 应用三种后处理方法——后膨胀法、支持向量机（SVM）和共形回归——生成预测结果的概率置信区间，确保正确性保障。
• 使用共形回归计算预测区间 $[f(x)-d, f(x)+d]$，使得真实轨迹以至少 $1 - \varepsilon$ 的概率落入该区间，其依据来自校准数据集的残差分位数。
• 预测模型输出一组带有相关置信边界候选轨迹，可直接由反应式模型预测控制（MPC）器消费。
• MPC规划器通过避免与置信区间内所有预测轨迹发生碰撞，选择一条安全轨迹，从而在不确定性下确保安全性。
• 针对所有三种方法，证明了预测模型的泛化界，建立了对预测正确性的理论保障。

实验结果

研究问题

• RQ1 数据驱动的预测模型能否在多智能体环境中，为不可控智能体的未来轨迹提供概率性正确性保障？
• RQ2 如何使此类预测模型与标准运动规划框架（如模型预测控制，MPC）兼容？
• RQ3 后膨胀法、SVM和共形回归在生成可靠预测区间方面，各自的优缺点是什么？
• RQ4 所提出的框架能否在避免过度保守行为的同时，确保运动规划的安全性？
• RQ5 在不同数据分布和覆盖水平下，各种不确定性量化方法的表现如何？

主要发现

• 共形回归方法在理论误覆盖率为10%时，实测误覆盖率为10.16%，且在所有测试水平下，理论与实测率之间的差异保持较小。
• 当理论误覆盖率为1%时，实测误覆盖率为1.0691%，表明理论保障与实测性能高度一致。
• 随着误覆盖率 $\varepsilon$ 从10%降低至0.04%，加权平均置信区间宽度 $d$ 从0.0972增加至0.2442，反映出置信度越高，区间越紧。
• 即使在每条轨迹类别数据有限的情况下，该方法仍能提供可靠的概率保障，但当某些基础轨迹的数据稀疏时，性能有所下降。
• 后膨胀法对数据集中类别不平衡的敏感度低于共形回归，后者在各类别数据充足时性能更优。
• 该框架在真实NGSIM高速公路驾驶数据的仿真环境中成功实现了安全、反应式的运动规划，MPC控制器通过利用预测轨迹集合有效避免了碰撞。