基于希尔伯特空间嵌入的多模态不确定障碍轨迹预测轨迹优化
机器人学
2023-10-13 v1
摘要
安全自动驾驶关键取决于自车对周边车辆轨迹的预测能力。为此，现有文献已提出若干轨迹预测算法。其中许多方法输出障碍轨迹的多模态分布而非单一确定性预测，以刻画内在不确定性。然而，现有规划器仅基于预测的采样级信息无法处理多模态。受此驱动，本文提出一种轨迹优化器，能以计算可行且采样高效的方式利用预测的分布特性。我们的优化器可处理任意复杂分布，因而可与表示为深度神经网络的输出分布配合使用。方法核心建立在再生核希尔伯特空间（RKHS）中的分布嵌入上，并从两方面加以利用。首先，我们提出一种 RKHS 嵌入方法从障碍轨迹分布中选取可能样本。其次，我们将机会约束优化重构为 RKHS 中的分布匹配，并提出一种基于采样的新型优化器求解该问题。我们在真实数据集上训练的手工设计与神经网络预测器上验证方法，并在安全指标上显示出优于现有随机优化方法的表现。
引用
@article{arxiv.2310.08270,
title = {Hilbert Space Embedding-based Trajectory Optimization for Multi-Modal Uncertain Obstacle Trajectory Prediction},
author = {Basant Sharma and Aditya Sharma and K. Madhava Krishna and Arun Kumar Singh},
journal= {arXiv preprint arXiv:2310.08270},
year = {2023}
}