[论文解读] Risk-aware Vehicle Motion Planning Using Bayesian LSTM-Based Model Predictive Control

Yufei Huang, Mohsen A. Jafari|arXiv (Cornell University)|Jan 15, 2023

Autonomous Vehicle Technology and Safety被引用 5

一句话总结

本文提出了一种基于贝叶斯长短期记忆（BLSTM）网络与模型预测控制（MPC）相结合的风险感知自动驾驶车辆运动规划框架。BLSTM用于预测周围车辆的概率轨迹，以估算动态冲突风险，随后在基于混合自动机的MPC中使用这些风险信息，生成安全且低风险的路径。仿真结果表明，该方法通过主动规避未来冲突，优于人类驾驶员的表现。

ABSTRACT

Understanding the probabilistic traffic environment is a vital challenge for the motion planning of autonomous vehicles. To make feasible control decisions, forecasting future trajectories of adjacent cars is essential for intelligent vehicles to assess potential conflicts and react to reduce the risk. This paper first introduces a Bayesian Long Short-term Memory (BLSTM) model to learn human drivers' behaviors and habits from their historical trajectory data. The model predicts the probability distribution of surrounding vehicles' positions, which are used to estimate dynamic conflict risks. Next, a hybrid automaton is built to model the basic motions of a car, and the conflict risks are assessed for real-time state-space transitions based on environmental information. Finally, a BLSTM-based Model Predictive Control (MPC) is built to navigate vehicles through safe paths with the least predicted conflict risk. By merging BLSTM with MPC, the designed neural-based MPC overcomes the defect that traditional MPC is hard to model uncertain conflict risks. The simulation results show that our proposed BLSTM-based MPC performs better than human drivers because it can foresee potential conflicts and take action to avoid them.

研究动机与目标

• 为解决自动驾驶车辆运动规划中建模不确定、概率性交通环境的挑战。
• 通过从历史轨迹数据中学习人类驾驶行为，提升动态交通中的风险评估能力。
• 开发一种能够通过估计未来风险分布来主动规避潜在冲突的运动规划系统。
• 将贝叶斯深度学习与MPC结合，以克服传统MPC在处理不确定冲突风险方面的局限性。

提出的方法

• 使用历史车辆轨迹数据训练贝叶斯长短期记忆（BLSTM）网络，以预测周围车辆未来位置的概率分布。
• 实时利用BLSTM的输出，估算每个潜在车辆状态转移的动态冲突风险。
• 通过混合自动机对车辆的基本运动基元进行建模，实现在规划过程中的离散与连续状态转换。
• 将BLSTM获得的风险估计结果整合进模型预测控制（MPC）框架中，以在有限时域内优化控制输入。
• MPC的代价函数中包含一个源自BLSTM预测冲突概率的风险惩罚项，从而偏好更安全的轨迹。
• 整个系统在仿真环境中进行训练与评估，以对比人类驾驶行为的性能表现。

实验结果

研究问题

• RQ1 BLSTM模型能否有效从历史轨迹数据中学习并预测周围车辆的 probabilistic 行为？
• RQ2 如何准确估算并实时集成动态冲突风险到运动规划中？
• RQ3 在不确定、高风险的交通场景中，BLSTM增强的MPC是否能优于传统MPC？
• RQ4 所提出的系统在多大程度上能够比人类驾驶员更有效地预见并避免未来冲突？

主要发现

• 与不建模不确定性的基线MPC方法相比，基于BLSTM的MPC显著降低了预测的冲突风险。
• 该系统通过预测概率轨迹成功预见潜在碰撞，从而能够执行主动避让操作。
• 仿真结果表明，所提方法在安全性与冲突规避方面优于人类驾驶员。
• 将贝叶斯不确定性估计集成到MPC中，提升了在具有不可预测行为者的动态交通环境中的鲁棒性。