[论文解读] Rule-based Optimal Control for Autonomous Driving

Wei Xiao, Noushin Mehdipour+5 more|arXiv (Cornell University)|Jan 14, 2021

Formal Methods in Verification参考文献 25被引用 4

一句话总结

本文提出了一种基于规则的最优控制框架，用于自动驾驶车辆，通过分层结构优先考虑交通法规和驾驶行为规则。通过整合控制李雅普诺夫函数（CLFs）以保证稳定性，以及控制障碍函数（CBFs）以确保安全性，该方法递归地放松低优先级规则以解决规则冲突，实现实时可行的控制，同时最小化对高优先级规则的违反。通过多场景案例研究验证了该方法，结果表明其能够成功生成轨迹并进行通过/失败评估。

ABSTRACT

We develop optimal control strategies for Autonomous Vehicles (AVs) that are required to meet complex specifications imposed by traffic laws and cultural expectations of reasonable driving behavior. We formulate these specifications as rules, and specify their priorities by constructing a priority structure. We propose a recursive framework, in which the satisfaction of the rules in the priority structure are iteratively relaxed based on their priorities. Central to this framework is an optimal control problem, where convergence to desired states is achieved using Control Lyapunov Functions (CLFs), and safety is enforced through Control Barrier Functions (CBFs). We also show how the proposed framework can be used for after-the-fact, pass / fail evaluation of trajectories - a given trajectory is rejected if we can find a controller producing a trajectory that leads to less violation of the rule priority structure. We present case studies with multiple driving scenarios to demonstrate the effectiveness of the proposed framework.

研究动机与目标

• 开发一种控制框架，使自动驾驶车辆能够满足复杂、优先级排序的交通规则和行为期望。
• 通过引入优先级结构的松弛机制，解决竞争性交通规则之间的冲突。
• 在实时最优控制环境下，利用控制障碍函数（CBFs）和控制李雅普诺夫函数（CLFs）确保安全性和稳定性。
• 通过基于规则优先级结构的通过/失败标准，实现对车辆轨迹的后验评估。
• 在具有冲突规则场景的现实车辆动力学下，验证该框架的有效性。

提出的方法

• 使用预序结构将交通和行为规则形式化为优先级排序的集合。
• 将控制问题建模为一系列二次规划（QPs），以强制实施CBFs以保证安全性，以及CLFs以保证收敛性。
• 基于优先级实施迭代规则松弛，仅在高优先级约束满足时才放松低优先级规则。
• 使用违规评分来量化规则偏离，并用于比较轨迹的通过/失败评估。
• 递归应用该框架：在每次迭代中求解松弛后的规则对应的QPs，直至找到可行解。
• 利用优先级结构判断候选轨迹是否被生成的轨迹所超越，从而予以拒绝。

实验结果

研究问题

• RQ1 如何在自动驾驶车辆控制中系统性地解决具有不同优先级的冲突交通规则？
• RQ2 基于CLFs和CBFs的递归最优控制框架能否在最小化低优先级规则违反的同时，确保安全性和稳定性？
• RQ3 如何设计一种客观的通过/失败评估机制，基于规则优先级结构评估车辆轨迹？
• RQ4 该框架在复杂驾驶场景中，能够在多大程度上生成可行、安全且行为合理的轨迹？
• RQ5 该框架能否应用于具有控制输入和状态变量硬约束的现实车辆动力学？

主要发现

• 在场景1中，该框架生成了一条可行轨迹，仅违反了中等和低优先级规则（r3和r5），违规评分分别为0.124和0.111，同时满足了最高优先级的防撞规则（r1）。
• 在场景2中，最优控制生成的轨迹违规评分更低（r5为0.111，而候选轨迹为0.646），因此由于更符合优先级结构而被拒绝。
• 在场景3中，该框架成功生成了一条满足所有高优先级规则（包括行人安全）的轨迹，同时放松了低优先级规则，违规评分分别为r3的0.058和r5的0.359。
• 通过/失败评估正确拒绝了违反高优先级规则的候选轨迹，即使其在低优先级规则上的违规评分较低，从而验证了基于优先级的排序逻辑。
• 递归松弛过程通过从最低优先级开始逐步放松规则，确保了可行性，从而实现向可行控制解的收敛。
• 该框架在处理冲突约束（如避让行人、保持在车道内、维持速度）方面表现出鲁棒性，通过优先保证安全性而非舒适性或速度限制。