面向车辆决策与运动规划的等价深层学习混合整数最优控制求解
机器人学
2024-05-15 v1 系统与控制
系统与控制
摘要
混合整数二次规划（MIQP）是一种灵活的建模方式，用于车辆决策和运动规划问题，其中预测模型是包含离散和连续决策变量的混合动力系统。然而，即便是最先进的MIQP求解器也难以满足汽车嵌入式平台的挑战性要求。因此，我们采用机器学习来简化从而加速优化。我们的工作建立在最近用于实时求解MIQP的想法基础之上，通过训练神经网络预测整数变量的 optimal值，并通过在线二次规划求解剩余问题。具体而言，我们提出一种循环置换等价深度集，这特别适合拟合涉及众多障碍物的MIQP，这通常是运动规划问题计算负担的主要来源。我们的框架还包括一个可行性投影器，用于纠正不可行的整数变量预测，从而大幅提高计算无碰撞轨迹的可能性。我们在SUMO仿真中使用真实的多车道交通情景和互动智能体评估了该方法的性能、安全性和实时可行性。
引用
@article{arxiv.2405.08122,
title = {Equivariant Deep Learning of Mixed-Integer Optimal Control Solutions for Vehicle Decision Making and Motion Planning},
author = {Rudolf Reiter and Rien Quirynen and Moritz Diehl and Stefano Di Cairano},
journal= {arXiv preprint arXiv:2405.08122},
year = {2024}
}