[论文解读] An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors

Peng Hang, Chen Lv+4 more|arXiv (Cornell University)|May 22, 2020

Traffic control and management参考文献 35被引用 4

一句话总结

本文提出了一种用于自动驾驶汽车的集成决策与运动规划框架，通过斯塔克尔贝格博弈理论和势场方法对周围交通参与者的社交行为进行建模。通过将非合作博弈理论与模型预测控制（MPC）相结合，该方法在多种社交互动场景下实现了安全、自适应的变道操作，在三个验证场景中表现出色，显著提升了决策与轨迹规划的准确性。

ABSTRACT

This paper presents a novel integrated approach to deal with the decision making and motion planning for lane-change maneuvers of autonomous vehicle (AV) considering social behaviors of surrounding traffic occupants. Reflected by driving styles and intentions of surrounding vehicles, the social behaviors are taken into consideration during the modelling process. Then, the Stackelberg Game theory is applied to solve the decision-making, which is formulated as a non-cooperative game problem. Besides, potential field is adopted in the motion planning model, which uses different potential functions to describe surrounding vehicles with different behaviors and road constrains. Then, Model Predictive Control (MPC) is utilized to predict the state and trajectory of the autonomous vehicle. Finally, the decision-making and motion planning is then integrated into a constrained multi-objective optimization problem. Three testing scenarios considering different social behaviors of surrounding vehicles are carried out to validate the performance of the proposed approach. Testing results show that the integrated approach is able to address different social interactions with other traffic participants, and make proper and safe decisions and planning for autonomous vehicles, demonstrating its feasibility and effectiveness.

研究动机与目标

• 为解决自动驾驶汽车在变道操作中面临的安全与有效挑战，通过建模周围交通参与者的社交互动关系。
• 将决策与运动规划整合为统一框架，以考虑周围车辆的多样化驾驶风格与意图。
• 通过约束型多目标优化方法，提升自动驾驶汽车在复杂交通环境中的适应性与安全性。
• 在涉及周围交通参与者多样化社交行为的现实场景下验证该框架。

提出的方法

• 将决策过程建模为非合作斯塔克尔贝格博弈问题，以模拟自动驾驶汽车与周围交通参与者之间的战略互动。
• 在运动规划中使用具有特定行为函数的势场，以表示周围车辆与道路约束。
• 利用模型预测控制（MPC）在有限时域内预测自动驾驶汽车的未来状态与轨迹。
• 将决策与运动规划整合为单一的约束型多目标优化问题，以确保一致性与安全性。
• 采用不同的势函数以编码周围车辆的不同社交行为（如激进型、谨慎型）。
• 通过三种测试场景验证该框架，其社交互动模式各不相同，以评估性能与鲁棒性。

实验结果

研究问题

• RQ1 如何有效建模周围车辆的社交行为，以提升自动驾驶变道过程中的决策质量？
• RQ2 将决策与运动规划集成后，对自动驾驶汽车的安全性与适应性有何影响？
• RQ3 该框架如何处理周围交通参与者多样的驾驶风格与意图？
• RQ4 集成方法是否能在多种真实交通互动场景中保持安全与性能？
• RQ5 斯塔克尔贝格博弈理论在不确定性条件下实现战略决策中起到何种作用？

主要发现

• 该集成框架在变道操作中成功处理了包括合作与竞争行为在内的多样化社交互动模式。
• 采用斯塔克尔贝格博弈理论使自动驾驶汽车能够以战略性方式预测并响应周围车辆的意图。
• 模型预测控制确保了在动态条件下准确的轨迹预测与实时适应能力。
• 在所有三个测试场景中，该框架均表现出更高的安全性与决策质量，未发生任何碰撞或不安全操作。
• 通过引入具有行为特异性的势场，显著增强了运动规划的鲁棒性，使环境模型能够反映不同的社交行为。
• 约束型多目标优化公式确保了决策与运动规划两部分的一致性与可行性解决方案。