面向自动驾驶的交互感知神经网络增强模型预测路径积分方法
机器人学
2025-07-17 v1 系统与控制
系统与控制
摘要
在密集交通环境中，自动驾驶车辆的运动规划具有挑战性，常导致保守的行为和未实现的规划目标。这种挑战源于 AV 对周围代理人交互行为的预判和响应能力有限。传统的解耦式预测与规划管线依赖于非交互式预测，忽视了代理人往往会因 AV 的行动而自适应其行为。为此，我们提出交互感知神经网络增强模型预测路径积分 (IANN-MPPI) 控制方法，实现对通过 MPPI 采样的每个控制序列所预测的周围代理人可能反应的交互式轨迹规划。为提升在结构化车道环境中的性能，我们引入基于样条的先验分布，以实现高效车道变换行为。我们在密集交通合并场景中评估了 IANN-MPPI，展示了其高效合并机动的能力。项目网址为 https://sites.google.com/berkeley.edu/iann-mppi
引用
@article{arxiv.2507.11940,
title = {IANN-MPPI: Interaction-Aware Neural Network-Enhanced Model Predictive Path Integral Approach for Autonomous Driving},
author = {Kanghyun Ryu and Minjun Sung and Piyush Gupta and Jovin D'sa and Faizan M. Tariq and David Isele and Sangjae Bae},
journal= {arXiv preprint arXiv:2507.11940},
year = {2025}
}
备注
To be published in The IEEE International Conference on Intelligent Transportation Systems (ITSC) 2025