面向自动驾驶运动规划的神经状态空间模型之模型预测推断控制
机器人学
2025-11-18 v6 系统与控制
系统与控制
摘要
模型预测控制（MPC）在实现自动驾驶车辆安全最优运动规划方面已被证明十分有用。本文研究当车辆动力学由神经状态空间模型表示时，如何基于 MPC 实现运动规划。由于神经状态空间模型会导致高度复杂、非线性和非凸的优化地形，主流基于梯度的 MPC 方法因计算负担过重而难以提供可行解。与之不同，我们提出模型预测推断控制（MPIC）的思想，旨在从控制目标与约束中推断最优控制决策。遵循该思想，我们将运动规划的 MPC 问题转化为贝叶斯状态估计问题。随后，我们开发了一种新的隐式粒子滤波/平滑方法来进行估计。该方法以无迹卡尔曼滤波/平滑器组实现，具有高采样效率、快速计算与估计精度。我们通过不同场景下的自动驾驶仿真研究对 MPIC 方法进行评估，并与基于梯度的 MPC 进行详尽对比。仿真结果表明，尽管神经网络架构复杂，MPIC 方法仍具有可观的计算效率，并能够求解神经状态空间模型的大规模 MPC 问题。
引用
@article{arxiv.2310.08045,
title = {Model Predictive Inferential Control of Neural State-Space Models for Autonomous Vehicle Motion Planning},
author = {Iman Askari and Ali Vaziri and Xuemin Tu and Shen Zeng and Huazhen Fang},
journal= {arXiv preprint arXiv:2310.08045},
year = {2025}
}