基于智能体未来学习式条件概率模型的自动驾驶车辆快速非线性风险评估
机器学习
2021-09-24 v2 人工智能
机器人学
摘要
本文提出快速的基于非采样的方法，用于在其它智能体未来的概率预测由深度神经网络(DNNs)生成时，评估自动驾驶车辆轨迹的风险。所提方法解决了广泛的不确定预测表示，包括高斯与非高斯混合模型，以预测基于场景上下文条件的智能体位置与控制输入。我们表明，当学习到智能体位置的高斯混合模型(GMMs)时，风险评估问题可用现有数值方法快速求解至任意精度。为解决智能体位置的非高斯混合模型风险评估问题，我们提出利用非线性切比雪夫不等式与平方和(SOS)规划求风险上界；二者均具意义，因前者快得多而后者可任意紧。这些方法仅需智能体位置的高阶统计矩即可确定风险上界。为在学习的模型针对智能体控制输入而非位置时执行风险评估，我们将不确定控制输入的矩通过非线性运动动力学传播，以在规划时域内获得不确定位置的精确矩。为此，我们构造了在确定性与不确定控制输入存在下支配不确定位置矩精确时间演化的线性动力系统。所提方法在 Argoverse 与 CARLA 数据集上训练的 DNN 的真实预测上得到展示，并被证明可有效快速评估低概率事件的概率。
引用
@article{arxiv.2109.09975,
title = {Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures},
author = {Ashkan Jasour and Xin Huang and Allen Wang and Brian C. Williams},
journal= {arXiv preprint arXiv:2109.09975},
year = {2021}
}
备注
Accepted at Autonomous Robots. Author version, with 11 pages, 5 figures, 2 tables. Journal extension of "Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures" (Wang et al. RSS 2020, arXiv:2005.13458)