Scalable Multi-modal Model Predictive Control via Duality-based Interaction Predictions

📄 arXiv: 2402.01116v5 📥 PDF

作者: Hansung Kim, Siddharth H. Nair, Francesco Borrelli

分类: cs.RO, cs.LG, eess.SY

发布日期: 2024-02-02 (更新: 2025-03-31)

备注: Accepted at IEEE Intelligent Vehicles Symposium 2024

DOI: 10.1109/IV55156.2024.10588718

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种层次化架构以实现可扩展的多模态模型预测控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 多模态交通 递归神经网络 拉格朗日对偶性 智能交通系统

📋 核心要点

  1. 现有的模型预测控制方法在复杂交通场景中面临计算效率低下和实时性不足的挑战。
  2. 本文提出的RAID-Net通过注意力机制和拉格朗日对偶性，增强了对车辆交互的预测能力，并结合简化的随机MPC问题提高了效率。
  3. 在模拟实验中，所提方法在解决运动规划问题时实现了12倍的速度提升，显示出良好的应用潜力。

📝 摘要（中文）

本文提出了一种层次化架构，旨在实现复杂多模态交通场景下的可扩展实时模型预测控制（MPC）。该架构包含两个关键组件：1）RAID-Net，一种基于注意力机制的递归神经网络，利用拉格朗日对偶性预测自主车辆与周围车辆在MPC预测视野内的相关交互；2）一种简化的随机MPC问题，消除了不相关的碰撞规避约束，从而提高了计算效率。通过在模拟交通交叉口中展示该方法，解决运动规划问题的速度提高了12倍。

🔬 方法详解

问题定义：本文旨在解决复杂多模态交通场景下模型预测控制（MPC）计算效率低的问题。现有方法在处理多个交互车辆时，往往面临实时性不足和计算负担过重的挑战。

核心思路：论文提出了一种层次化架构，结合RAID-Net和简化的随机MPC问题，通过预测车辆间的交互来优化控制决策，从而提高计算效率和实时性。

技术框架：整体架构分为两个主要模块：RAID-Net用于预测车辆交互，采用注意力机制和拉格朗日对偶性；简化的随机MPC问题则通过消除不必要的碰撞规避约束来提高计算效率。

关键创新：最重要的技术创新在于RAID-Net的设计，它通过对车辆交互的精准预测，显著提升了MPC的性能，并与传统方法相比，减少了计算复杂度。

关键设计：RAID-Net的网络结构采用了递归神经网络（RNN）与注意力机制的结合，损失函数设计上注重交互预测的准确性，确保在多模态场景下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的方法在模拟交通交叉口中实现了运动规划问题求解速度的12倍提升，相较于传统方法，显著提高了计算效率和实时响应能力，展示了良好的应用前景。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、智能交通系统和城市交通管理等。通过提高模型预测控制的实时性和效率，能够有效应对复杂交通环境中的多车辆交互，为未来的智能交通解决方案提供支持。

📄 摘要（原文）

We propose a hierarchical architecture designed for scalable real-time Model Predictive Control (MPC) in complex, multi-modal traffic scenarios. This architecture comprises two key components: 1) RAID-Net, a novel attention-based Recurrent Neural Network that predicts relevant interactions along the MPC prediction horizon between the autonomous vehicle and the surrounding vehicles using Lagrangian duality, and 2) a reduced Stochastic MPC problem that eliminates irrelevant collision avoidance constraints, enhancing computational efficiency. Our approach is demonstrated in a simulated traffic intersection with interactive surrounding vehicles, showcasing a 12x speed-up in solving the motion planning problem. A video demonstrating the proposed architecture in multiple complex traffic scenarios can be found here: https://youtu.be/-pRiOnPb9_c. GitHub: https://github.com/MPC-Berkeley/hmpc_raidnet