[论文解读] Stochastic MPC with Dual Control for Autonomous Driving with Multi-Modal Interaction-Aware Predictions

Siddharth H. Nair, Vijay Govindarajan+4 more|arXiv (Cornell University)|Aug 6, 2022

Advanced Control Systems Optimization被引用 7

一句话总结

本文提出了一种用于自动驾驶的随机模型预测控制（SMPC）框架，通过双控制原理整合了周围车辆的多模态、交互感知预测。通过在参数化控制律上进行优化，并利用卡尔曼滤波估计未知的驾驶员模型权重，该方法降低了保守性，并在不确定的交互式交通场景中提高了可行性，已在纵向控制仿真中得到验证，显著提升了碰撞避免能力和鲁棒性。

ABSTRACT

We propose a Stochastic MPC (SMPC) approach for autonomous driving which incorporates multi-modal, interaction-aware predictions of surrounding vehicles. For each mode, vehicle motion predictions are obtained by a control model described using a basis of fixed features with unknown weights. The proposed SMPC formulation finds optimal controls which serves two purposes: 1) reducing conservatism of the SMPC by optimizing over parameterized control laws and 2) prediction and estimation of feature weights used in interaction-aware modeling using Kalman filtering. The proposed approach is demonstrated on a longitudinal control example, with uncertainties in predictions of the autonomous and surrounding vehicles.

研究动机与目标

• 解决由于周围车辆多模态行为带来的不确定性，导致自动驾驶控制过于保守和不可行的问题。
• 通过在参数化控制律上进行优化而非固定控制序列，降低随机MPC中的保守性。
• 在MPC框架内利用卡尔曼滤波实现实时估计未知的驾驶员模型权重（例如，用于不同驾驶行为），实现该目标。
• 通过将周围车辆行为建模为具有动态特征权重的模式混合，实现交互感知的预测。
• 通过贝叶斯模式概率更新优先考虑更可能的驾驶模式，从而提高控制的可行性和安全性。

提出的方法

• 自车（EV）被建模为具有过程噪声的线性时变（LTV）系统，而周围车辆（TVs）则使用具有已知特征和未知时变权重的模式特定驾驶员模型进行建模。
• 每个TV模式使用一组固定特征乘以未知权重，这些权重通过带有过程噪声的随机游走模型随时间演变。
• SMPC公式通过在控制律序列上进行优化而非固定控制序列，增强了在不确定性下的可行性。
• 利用卡尔曼滤波实现实时估计每个TV模式的未知特征权重，从而实现双控制：控制与估计联合优化。
• 贝叶斯更新基于观测轨迹维护TV模式的概率分布，使控制优化中优先考虑更可能的模式。
• 通过矩阵函数（如 M_A、M_B、M_D）推导出堆叠的预测矩阵，以在每个模式下表达EV和TV状态在预测时域内的联合演化。

实验结果

研究问题

• RQ1 在SMPC中对参数化控制律进行优化，是否能降低自动驾驶在多模态不确定性下的保守性并提高可行性？
• RQ2 如何将未知驾驶员模型权重的实时估计集成到SMPC框架中，以提升预测精度和控制性能？
• RQ3 双控制（同时优化控制与估计）在交互感知的自动驾驶中，能在多大程度上提升安全性与鲁棒性？
• RQ4 通过贝叶斯更新优先考虑更可能的驾驶模式，对不确定交通场景下的控制性能和碰撞避免能力有何影响？
• RQ5 使用交互感知的多模态预测对基于SMPC的自动驾驶控制器的可行性与安全性有何影响？

主要发现

• 所提出的结合双控制的SMPC相比传统SMPC（优化固定控制序列）显著降低了保守性，提高了解的可行性。
• 卡尔曼滤波实现了对每个TV模式未知驾驶员模型权重的精确、实时估计，提升了预测保真度和控制响应速度。
• 贝叶斯模式概率更新的集成使控制器能够优先考虑更可能的驾驶行为，从而在不确定性下提升安全性和性能。
• 该方法在所有模式下均实现了可靠的碰撞避免，即使在EV和TV动力学存在高预测不确定性时仍保持可行性。
• 消融实验表明，双控制和模式概率加权在复杂交互式交通场景中对维持性能和鲁棒性至关重要。
• 仿真结果表明，与基线SMPC相比，所提方法在多模态交互场景下具有更高的控制可行性和安全裕度。