[论文解读] Combining Social Force Model with Model Predictive Control for Vehicle's Longitudinal Speed Regulation in Pedestrian-Dense Scenarios

Dongfang Yang, Ümi̇t Özgüner|arXiv (Cornell University)|Jul 11, 2019

Traffic control and management参考文献 8被引用 4

一句话总结

本文提出一种模型预测控制（MPC）策略，结合基于社会力的车-人交互（VCI）模型，用于在行人密集场景中调节自动驾驶车辆的速度。通过预测行人运动并制定包含安全与速度目标的二次规划（QP）优化问题，该方法在高密度人群场景中实现了比传统PID控制更安全、更快的导航，平均完成时间缩短1.27秒。

ABSTRACT

In pedestrian-dense traffic scenarios, an autonomous vehicle may have to safely drive through a crowd of pedestrians while the vehicle tries to keep the desired speed as much as possible. This requires a model that can predict the motion of crowd pedestrians and a method for the vehicle to predictively adjust its speed. In this study, the model-based predictive control (MPC) was combined with a social-force based vehicle-crowd interaction (VCI) model to regulate the longitudinal speed of the autonomous vehicle. The predictive feature of the VCI model can be precisely utilized by the MPC. A criterion for simultaneously guaranteeing pedestrian safety and keeping the desired speed was designed, and consequently, the MPC was formulated as a standard quadratic programming (QP) problem, which can be easily solved by standard QP toolbox. The proposed approach was compared with the traditional proportional-integral-derivative (PID) control approach for regulating longitudinal speed. Scenarios of different pedestrian density were evaluated in simulation. The results demonstrated the merits of the proposed method to address this type of problem. It also shows the potential of extending the method to address more complex vehicle-pedestrian interaction situations.

研究动机与目标

• 解决在无信号控制、行人密集环境中自动驾驶车辆纵向速度调节的挑战，平衡安全性与期望速度。
• 通过引入预测能力与行人运动建模，改进传统PID控制。
• 设计一种控制策略，在确保行人安全的同时最小化车辆-行人交互过程中的延迟。
• 将MPC问题形式化为标准的二次规划（QP）问题，以实现高效、实时求解。

提出的方法

• 车-人交互（VCI）模型采用社会力方法模拟行人运动，包括对车辆的排斥力，通过改进的车辆影响模型提升精度。
• MPC框架利用有限时域内行人运动的预测结果，实时优化车辆速度。
• 自定义代价函数在保持期望速度与最小化控制努力之间取得平衡，同时通过状态约束确保与最近行人的安全距离。
• 将MPC问题转化为标准的二次规划（QP）问题，借助标准QP求解器实现高效求解。
• 在每个时间步将VCI模型集成到MPC中，提供动态、预测性的行人运动预测。
• 基于QP求解结果迭代更新控制动作，实现实时适应行人流的动态变化。

实验结果

研究问题

• RQ1 结合MPC与基于社会力的VCI模型的预测控制策略，能否有效调节高密度行人场景下的车辆速度？
• RQ2 与传统PID控制相比，所提出的MPC-VCI方法在安全性、速度保持与交互时间方面表现如何？
• RQ3 与非预测方法相比，VCI模型的预测能力在多大程度上提升了控制性能？
• RQ4 行人密度如何影响MPC与PID控制在车辆-行人交互中的性能差距？

主要发现

• 在30名行人的场景中，MPC方法相比PID将平均交互时间减少了1.27秒，表明导航更快速、更高效。
• 在启停场景中，MPC方法平均将最大等待时间减少1.95秒，展现出更优的延迟管理能力。
• 在非启停场景中，MPC方法平均将交互时间减少0.98秒，表明性能提升具有一致性。
• PID控制器在目标速度4 m/s下表现出约0.16 m/s的稳态误差，导致交互完成时间最大延迟达0.4秒。
• 在低密度场景（10–20名行人）中观察到性能下降，但MPC在所有测试案例中仍优于PID。
• 所提出方法成功将MPC问题转化为标准QP问题，借助标准QP工具箱实现了可靠且高效的实时求解。