Core Concepts
物理情報を活用したモデル予測制御と ポテンシャル関数を組み合わせた安全コントローラーにより、ニューラルネットワークベースの自動運転計画の安全性と適応性を向上させる。
Abstract
本研究は、自動運転のエンド・ツー・エンド計画フレームワークであるFusionAssuranceを提案している。FusionAssuranceは、ニューラルネットワークによる知覚と計画と、物理情報を活用したモデル予測制御とポテンシャル関数による安全コントローラーを組み合わせたものである。
ニューラルネットワークは、カメラ、LiDARなどのセンサーデータを統合し、経路点、障害物マップ、信号情報などを出力する。一方、安全コントローラーは、ニューラルネットワークの出力と車両の物理情報を活用して、安全で最適な低レベルの制御出力を生成する。
具体的には、モデル予測制御にポテンシャル関数を組み合わせることで、ニューラルネットワークが生成した軌道に対して、障害物回避や追従制御などの安全機能を付加している。これにより、ニューラルネットワークの出力が不適切な場合でも、安全コントローラーが適切な制御を行うことができる。
実験では、CARLA 42ルートベンチマークにおいて、提案手法が従来手法に比べて高い走行スコアを達成することを示している。特に、ニューラルネットワークが適切な軌道を生成できない困難なシナリオでも、安全コントローラーが有効に機能することを確認している。
Stats
車両の位置(px, py)、速度(vx, vy)、ヨー角(φ)は、車両動力学モデルによって更新される。
障害物のポテンシャル関数は、障害物の位置(pi,x, pi,y)、長さa、幅bに基づいて計算される。
前方の障害物との距離Dsafetyに基づいて、アダプティブクルーズコントロールのためのポテンシャル関数が定義される。
Quotes
"学習ベースの運動計画には信頼性、安全性、最適性の限界がある。ネットワークの一般化性能が不十分であったり、訓練データ外の状況に対応できないという課題がある。"
"提案手法は、ニューラルネットワークの出力を物理情報に基づくモデル予測制御とポテンシャル関数によって補完し、安全性と適応性を向上させる。"
"実験では、提案手法がCARLA 42ルートベンチマークにおいて高い走行スコアを達成し、ニューラルネットワークが適切な軌道を生成できない困難なシナリオでも有効に機能することを示している。"