Core Concepts
MPC 기반 종방향 제어 플래너의 전체 계획 궤적을 효율적으로 학습하는 PlanNetX 프레임워크를 제안한다. 이를 통해 MPC 솔버보다 빠른 추론 속도와 우수한 폐루프 성능을 달성할 수 있다.
Abstract
이 논문은 모델 예측 제어(MPC) 기반 종방향 제어 플래너의 전체 계획 궤적을 효율적으로 학습하는 PlanNetX 프레임워크를 제안한다.
MPC는 강력한 최적화 기반 접근법이지만, 온라인 최적화의 계산 복잡성으로 인해 임베디드 디바이스에서 문제가 될 수 있다. 이전 연구에서는 모방 학습(IL)을 사용하여 MPC 정책을 신경망으로 근사하는 방법을 제안했다.
이 논문에서는 MPC 계획 궤적 전체를 학습하는 접근법을 제안한다. 새로운 신경망 아키텍처 PlanNetX와 MPC의 최적 제어 구조를 활용하는 간단한 손실 함수를 소개한다. 자율주행 시뮬레이터 CommonRoad에서 합성 및 실제 데이터 기반 시나리오를 사용하여 이 접근법을 광범위하게 검증한다.
실험 결과, PlanNetX는 MPC 계획 궤적을 높은 정확도로 학습할 수 있으며, 다른 기준선 대비 향상된 폐루프 성능을 보인다. 또한 신경망 압축 기법을 통해 추론 시간을 더욱 단축할 수 있다.
Stats
속도 범위: 0 ≤ v ≤ 50 m/s
가속도 범위: -6.5 ≤ a ≤ 1 m/s^2
저크 범위: -8 ≤ j ≤ 16 m/s^3
속도 제한: vmax,1 ∈ {50, 80, 120, 130} m/s, vmax,2 ∈ {50, 80, 120, 130} m/s
비용 가중치: ws = 0.4, wa = 0.8, wj = 0.2, wu = 0.2, wζ,aN = 100, wζ,dist = 500
Quotes
"MPC는 강력한, 최적화 기반 접근법이지만, 온라인 최적화의 계산 복잡성으로 인해 임베디드 디바이스에서 문제가 될 수 있다."
"이 논문에서는 MPC 계획 궤적 전체를 학습하는 접근법을 제안한다."