[论文解读] Discrete and Continuous, Probabilistic Anticipation for Autonomous Robots in Urban Environments

Frank Havlak, Mark Campbell|arXiv (Cornell University)|Sep 3, 2013

Target Tracking and Data Fusion in Sensor Networks参考文献 32被引用 4

一句话总结

本文提出了一种混合高斯混合模型（hGMM），用于城市自动驾驶中动态障碍物的概率预测。通过利用sigma点变换检测非线性性，并自适应地拆分混合成分以减少传播误差，该方法在标准无迹变换的基础上提升了预测精度，尤其适用于非线性和离散行为，实现了在3 Hz更新频率下对长达4.5秒未来的高保真度实时状态估计。

ABSTRACT

This paper develops a probabilistic anticipation algorithm for dynamic objects observed by an autonomous robot in an urban environment. Predictive Gaussian mixture models are used due to their ability to probabilistically capture continuous and discrete obstacle decisions and behaviors; the predictive system uses the probabilistic output (state estimate and covariance) of a tracking system, and map of the environment to compute the probability distribution over future obstacle states for a specified anticipation horizon. A Gaussian splitting method is proposed based on the sigma-point transform and the nonlinear dynamics function, which enables increased accuracy as the number of mixands grows. An approach to caching elements of this optimal splitting method is proposed, in order to enable real-time implementation. Simulation results and evaluations on data from the research community demonstrate that the proposed algorithm can accurately anticipate the probability distributions over future states of nonlinear systems.

研究动机与目标

• 为解决自动驾驶城市驾驶中因障碍物行为不可预测而引发的碰撞风险，克服传统反应式规划的局限性。
• 提升对具有复杂、非线性和离散行为（如变道、交叉路口通行）的动态障碍物的概率预测能力，超越线性模型或单高斯滤波器的性能极限。
• 开发一种具备实时处理能力的预测系统，在非线性动力学条件下仍能保持长预测时域的预测精度。
• 通过一种新颖的自适应混合成分拆分机制，减少概率分布在非线性障碍物动力学中传播时的误差。
• 在2007年DARPA城市挑战赛的仿真场景和真实世界数据上验证该方法，证明其具备碰撞预防能力。

提出的方法

• 该方法使用混合高斯混合模型（hGMM）表示障碍物状态，结合连续运动与离散行为模式。
• 利用无迹变换与sigma点传播每个高斯分量通过非线性动力学，实现精确的不确定性估计。
• 通过在传播后评估sigma点的分布范围，建立非线性性检测机制，以识别线性化误差是否超过阈值。
• 当非线性性超过阈值时，采用基于sigma点的优化方法执行最优高斯混合成分拆分，以减小协方差并提升线性化效果。
• 采用缓存策略存储中间计算结果，确保在现代硬件上实现实时性能。
• 该算法被集成到实时规划系统中，并通过合成仿真和CLIF 2007数据集的真实世界数据进行评估。

实验结果

研究问题

• RQ1 概率预测系统能否准确预测城市环境中非线性、多模态障碍物行为的未来状态？
• RQ2 在概率状态传播过程中，如何检测并校正障碍物运动中的非线性动力学，以提升预测精度？
• RQ3 与标准无迹变换或单高斯方法相比，自适应混合成分拆分在多大程度上减少了误差？
• RQ4 在传统反应式系统失效的真实世界场景中，所提方法是否能实现碰撞预防？
• RQ5 在实时运行中，计算成本、预测精度与混合成分数量之间存在何种权衡？

主要发现

• hGMM方法在标准Intel Core i7系统上实现了实时性能，可在3 Hz以上频率下对多达三辆车辆进行长达4.5秒的未来状态预测。
• 随着线性性阈值降低，预测精度显著提升，仅在允许的混合成分数量极小时出现性能下降。
• 与作为真实值的大型粒子集相比，hGMM在对数似然度量上优于单高斯无迹变换。
• 该算法成功预测了MIT-Cornell碰撞场景，表明若具备足够提前量，碰撞本可被预测并避免。
• 与未拆分传播相比，该方法生成了更合理的预测结果，避免了诸如不切实际的偏离路径等异常行为。
• 非线性性检测与最优混合成分拆分的结合，使概率分布传播比基线方法更准确、更鲁棒。