Decision making and planning through traffic in an unsignalized intersection is one of the most challenging tasks for a self-driving vehicle. Rule-based planning systems have been tested in real world implementations but this method relies on hand-engineering the rules which can suffer from being too conservative and unable to adapt to complex scenarios outside of it’s designed rule. On the other hand, Model Predictive Planning (MPP) is a powerful optimization based approach that is robust and is able to find the optimal trajectory within its constraints. However, implementing MPP for autonomous driving requires solving an online optimization problem that is generally non-convex, which significantly increase the computation burden for any optimization solver and limits the use of MPP for real time applications. In this work, MPP is used for longitudinal speed planning in an unsignalized intersection and a deep learning based framework which can reduce the computation burden for the MPP is proposed. Since the heavy computational load in model predictive-based approaches comes from the non-convex safety constraint with the surrounding vehicles in the environment, the proposed framework can reduce the complexity by finding a convex set from the non-convex constraints. This is done by 1.) Identifying the active constraints for the optimization problem (selecting only the target vehicles that are critical to safety) and 2.) Classifying whether a constraint is an upper bound or lower bound constraint (deciding whether the optimal solution is to go before or after a vehicle in the intersection). A deep neural network (DNN) will be part of a high level decision scheme that is used to identify and classify these constraints and will be combined with the low level MPP. To identify the correct convex set, two DNN training schemes that incorporates feedback from the MPP is explored. Finally, the approach is evaluated with several baselines in an unsignalized intersection scenario.
자율주행 차량에서 비신호 교차로에서의 의사 결정과 계획은 가장 어려운 문제 중 하나이다. 실제 환경에서는 규칙 기반 계획 시스템이 적용되고 있지만 이는 너무 보수적이며 복잡한 시나리오에 대해 적용이 불가능한 문제를 가지고 있다. 이에 반해 모델 예측 제어 기반 계획 기술은 최적화 기반의 방법으로 제약 조건을 만족하며 최적의 경로를 찾아 낼 수 있다. 하지만 실제 자율주행 기술에 모델 예측 제어 기반 계획 기술을 적용하기 위해서는 비볼록 문제에 대한 실시간 최적화를 필요로하며, 이는 최적화 기법의 계산량을 크게 증가시키 때문에 모델 예측 제어 기반 계획의 실시간 기술 적용을 어렵게 만든다. 본 연구에서는 비신호 교차로에서의 종뱡향 속도 제어에 모델 예측 제어 기반 계획 기술을 적용하며 모델 예측 제어 기반 계획의 계산량을 줄이기 위한 딥러닝 기반 프레임워크 또한 제안한다. 제안하는 프레임워크는 모델 예측 제어 기반 계획 방법의 주변 차량에 대한 비볼록 안전 제약 조건으로 인해 발생하는 엄청난 계산량을 줄이기 위해 비볼록 제약으로부터 볼록 집합을 찾아냄으로써 그 복잡도를 줄일 수 있다. 이는 1) 최적화 문제에서 활성 제약 조건 확인(주행 안전에 중요한 목표 주변 차량 선정), 2) 제약 조건 upperbound, lowerbound 분류(목표 차량의 선행 및 후행 주행 여부 결정)을 통해 진행된다. 심층 인공 신경망은 상위 단계 의사결정을 위해 사용되어 제약 조건을 확인하고 분류하는 역할을 하며 이는 하위 단계 모델 예측 제어 기반 계획기와 함께 사용된다. 볼록 집합을 찾기 위해서는 모델 예측 제어 기반 계획기의 피드백을 활용한 심층 인공 신경망 학습 방법을 활용하였다. 최종적으로 개발된 방법은 비신호 교차로 시나리오에서 다른 방법들과 비교 평가를 진행하였다.
