PlanNetX: 从MPC学习高效神经网络规划器用于纵向控制

Jasper Hoffmann; Diego Fernandez; Julien Brosseit; Julian Bernhard; Klemens Esterle; Moritz Werling; Michael Karg; Joschka Boedecker

PlanNetX: 从MPC学习高效神经网络规划器用于纵向控制

机器人学 2024-05-24 v2 最优化与控制

作者: Jasper Hoffmann , Diego Fernandez , Julien Brosseit , Julian Bernhard , Klemens Esterle , Moritz Werling , Michael Karg , Joschka Boedecker

在 arXiv 上查看 ↗ PDF ↗

摘要

模型预测控制(MPC)是一种强大的基于优化的方法用于控制动力系统. 然而，线上优化的计算复杂度在嵌入式设备上可能具有问题. 特别是，当我们需要保证固定控制频率时. 因此，之前的工作提出使用imitation learning(IL)通过神经网络逼近MPC策略来减轻计算负担. 在本工作中，我们不同于学习MPC的整个计划轨迹. 我们引入一种新的神经网络架构PlanNetX和一种基于状态轨迹的简单损失函数，该损失函数利用MPC的参数化最优控制结构. 我们在自动驾驶上下文中验证了该方法，通过在CommonRoad模拟器中使用合成场景和来自真实数据的场景对其进行广泛基准测试. 我们的实验结果表明，我们能够以高精度学习开环MPC轨迹，同时改进了所学习控制策略的闭环性能，而其他基线方法如行为克隆则不行.

关键词

模型预测控制神经网络规划器自动驾驶纵向控制 imitation learning

引用

@article{arxiv.2404.18863,
  title  = {PlanNetX: Learning an Efficient Neural Network Planner from MPC for Longitudinal Control},
  author = {Jasper Hoffmann and Diego Fernandez and Julien Brosseit and Julian Bernhard and Klemens Esterle and Moritz Werling and Michael Karg and Joschka Boedecker},
  journal= {arXiv preprint arXiv:2404.18863},
  year   = {2024}
}

备注

6th Annual Learning for Dynamics & Control Conference (L4DC 2024)

PlanNetX: 从MPC学习高效神经网络规划器用于纵向控制

摘要

关键词

引用

备注

相关论文