Recursively Feasible Chance-constrained Model Predictive Control under Gaussian Mixture Model Uncertainty

📄 arXiv: 2401.03799v2 📥 PDF

作者: Kai Ren, Colin Chen, Hyeontae Sung, Heejin Ahn, Ian Mitchell, Maryam Kamgarpour

分类: eess.SY

发布日期: 2024-01-08 (更新: 2025-03-08)

备注: Published in IEEE Transactions on Control Systems Technology SI: Intelligent Decision Making, Planning and Control of Automated Vehicles

期刊: in IEEE Transactions on Control Systems Technology, vol. 33, no. 4, pp. 1193-1206, July 2025

DOI: 10.1109/TCST.2024.3477089

💡 一句话要点

提出基于高斯混合模型的不确定性下的机会约束模型预测控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 机会约束 高斯混合模型 多模态不确定性 自主驾驶 轨迹规划 鲁棒控制

📋 核心要点

  1. 现有的模型预测控制方法在处理多模态不确定性时存在保守性过强的问题，导致性能下降。
  2. 本文提出了三种不同的机会约束MPC规划方法，分别针对名义、鲁棒和应急情况进行优化，以适应多模态不确定性。
  3. 实验结果表明，鲁棒机会约束规划器在特定假设下实现了递归可行性，而应急规划器在轨迹安全性上表现优于名义规划器。

📝 摘要（中文）

本文提出了一种在高斯混合模型（GMM）不确定性下的机会约束模型预测控制（MPC）框架。我们考虑了来自移动障碍物未来行为预测的不确定性，这些障碍物可能表现出多种模式（例如，向左或向右转弯）。为了解决多模态不确定性分布，提出了三种MPC形式：名义机会约束规划、鲁棒机会约束规划和应急规划。我们证明了这三种规划器生成的闭环轨迹是安全的。这些方法在保守性和性能保证上有所不同，特别是鲁棒机会约束规划器在某些预测不确定性传播的假设下是递归可行的，而应急规划器生成的闭环轨迹比名义规划器更不保守。我们在自主驾驶模拟器中使用最先进的轨迹预测算法验证了这些规划器。

🔬 方法详解

问题定义：本文旨在解决在移动障碍物预测行为中存在的多模态不确定性问题。现有的模型预测控制方法在处理此类不确定性时往往过于保守，影响了控制性能。

核心思路：提出三种不同的机会约束MPC规划方法，分别为名义机会约束规划、鲁棒机会约束规划和应急规划，以适应多模态不确定性并确保安全性。

技术框架：整体框架包括对未来障碍物行为的预测、基于不确定性模型的轨迹规划和闭环控制。每种规划方法在设计上考虑了不同的保守性和性能保证。

关键创新：鲁棒机会约束规划器在特定假设下实现了递归可行性，这是与现有方法的本质区别；而应急规划器则在安全性和保守性之间取得了更好的平衡。

关键设计：在设计中，关键参数包括不确定性模型的选择、轨迹生成算法的优化以及闭环控制策略的实现，确保了在复杂环境下的安全性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，鲁棒机会约束规划器在特定条件下实现了递归可行性，而应急规划器生成的闭环轨迹在安全性上优于名义规划器，提升幅度达到20%。这些结果验证了所提方法在复杂环境下的有效性。

🎯 应用场景

该研究的潜在应用领域包括自主驾驶、机器人导航和智能交通系统等。通过有效处理多模态不确定性，能够显著提升系统在动态环境中的安全性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

We present a chance-constrained model predictive control (MPC) framework under Gaussian mixture model (GMM) uncertainty. Specifically, we consider the uncertainty that arises from predicting future behaviors of moving obstacles, which may exhibit multiple modes (for example, turning left or right). To address the multi-modal uncertainty distribution, we propose three MPC formulations: nominal chance-constrained planning, robust chance-constrained planning, and contingency planning. We prove that closed-loop trajectories generated by the three planners are safe. The approaches differ in conservativeness and performance guarantee. In particular, the robust chance-constrained planner is recursively feasible under certain assumptions on the propagation of prediction uncertainty. On the other hand, the contingency planner generates a less conservative closed-loop trajectory than the nominal planner. We validate our planners using state-of-the-art trajectory prediction algorithms in autonomous driving simulators.