論文の概要: Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
- arxiv url: http://arxiv.org/abs/2605.22600v1
- Date: Thu, 21 May 2026 15:15:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.318972
- Title: Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
- Title（参考訳）: シナリオクラスタリングによる多モード不確かさ下での動作計画のための分岐確率モデル予測制御
- Authors: Zekun Xing, Ramkrishna Chaudhari, Marion Leibold, Dirk Wollherr, Martin Buss,
- Abstract要約: 本稿では,SMPCと分岐構造を組み合わせた新しい手法を提案する。
高レベルの決定類似性に基づいて予測シナリオをマージし,リアルタイムのトラクタビリティを確保するために,新たなシナリオクラスタリングを提案する。
高速道路のシナリオにおけるシミュレーション研究は,提案手法が安全性を向上し,保守性を低下させ,リアルタイムな計算性能を実現することを実証している。
- 参考スコア（独自算出の注目度）: 4.456206353869196
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Motion planning for autonomous driving must account for multi-modal uncertainty in both the intentions and trajectories of surrounding vehicles. Handling uncertainty in a worst-case manner guarantees robustness but often leads to excessive conservatism. Stochastic Model Predictive Control (SMPC) reduces trajectory-level conservatism through chance constraints, yet remains conservative with respect to intention uncertainty since constraints must hold across all intentions. We present a novel combination of SMPC and the branching structure, enabling the planner to generate distinct trajectories for different possible intentions while maintaining safety under trajectory uncertainty. A novel scenario clustering is proposed to merge prediction scenarios based on high-level decision similarity, thereby ensuring real-time tractability. Furthermore, an adaptive branching-time computation postpones commitment to separate plans until intention uncertainty is sufficiently reduced. Simulation studies in challenging highway scenarios demonstrate that the proposed method improves safety, reduces conservatism, and achieves real-time computational performance.
- Abstract（参考訳）: 自律走行のための運動計画には、周囲の車両の意図と軌道の両方において多要素の不確実性を考慮する必要がある。
最悪の方法で不確実性を扱うことは堅牢性を保証するが、しばしば過度の保守主義につながる。
確率モデル予測制御(Stochastic Model Predictive Control, SMPC)は、軌道レベルの保守性を機会制約によって減少させるが、意図的不確実性に関して保守的なままである。
本稿では,SMPCと分岐構造を組み合わせた新しい設計手法を提案する。
高レベルの決定類似性に基づいて予測シナリオをマージし,リアルタイムのトラクタビリティを確保するために,新たなシナリオクラスタリングを提案する。
さらに、適応分岐時間計算は、意図的不確実性が十分に減少するまで、個別の計画へのコミットメントを延期する。
高速道路のシナリオにおけるシミュレーション研究は,提案手法が安全性を向上し,保守性を低下させ,リアルタイムな計算性能を実現することを実証している。
関連論文リスト
- Probabilistic Recursively Feasible Motion Planning Under Uncertain Environments [5.47494170074467]
本稿では,確率的再帰的モデル予測制御(PRF-MPC)フレームワークを提案する。
この分析に基づいて,現在の安全集合が将来の安全集合に含まれることを高い確率で保証する安全制約を構築する。
論文 参考訳（メタデータ） (2026-05-18T18:35:37Z) - Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Decentralized Contingency MPC based on Safe Sets for Nonlinear Multi-agent Collision Avoidance [1.5856188608650232]
本稿では,非線形力学を持つマルチエージェントシステムのための分散並列MPCフレームワークを開発する。
状態のみの情報パターンの下では、各エージェントは同じ合意的ルールセットに従い、コミュニケーションなしで安全な分散計画を可能にする。
シミュレーションの結果はスパース環境と密集型マルチエージェント環境の両方で性能を示す。
論文 参考訳（メタデータ） (2026-05-11T15:40:36Z) - Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。
適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。
これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
論文 参考訳（メタデータ） (2026-03-07T08:01:20Z) - Scenario-aware Uncertainty Quantification for Trajectory Prediction with Statistical Guarantees [16.41262478059784]
本稿では,予測区間と信頼性評価を備えた予測トラジェクトリを提供するシナリオ認識不確実性定量化フレームワークを提案する。
実世界のnuPlanデータセットを用いてフレームワークの評価を行い、シナリオアウェアな不確実性定量化と信頼性評価の有効性を実証した。
論文 参考訳（メタデータ） (2025-12-05T12:54:39Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-18T21:14:07Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - ConstrainedZero: Chance-Constrained POMDP Planning using Learned Probabilistic Failure Surrogates and Adaptive Safety Constraints [34.9739641898452]
本研究では、最適値とポリシーのニューラルネットワーク近似を学習することにより、信念空間におけるCC-POMDPを解くConstrainedZeroポリシーアルゴリズムを導入する。
その結果, 目標から安全制約を分離することで, 報酬とコストのバランスを最適化することなく, 目標となる安全レベルを達成できることが示唆された。
論文 参考訳（メタデータ） (2024-05-01T17:17:22Z) - Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level
Stability and High-Level Behavior [51.60683890503293]
生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。
任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
論文 参考訳（メタデータ） (2023-07-27T04:27:26Z) - Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。
運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。
提案手法は,既存手法の予測性能を常に向上することを示す。
論文 参考訳（メタデータ） (2022-04-12T14:59:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。