高斯混合模型不确定性下递归可行的机会约束模型预测控制

基本信息

• 标题：Recursively Feasible Chance-constrained Model Predictive Control under Gaussian Mixture Model Uncertainty（高斯混合模型不确定性下递归可行的机会约束模型预测控制）
• 作者：Kai Ren, Colin Chen, Hyeontae Sung, Heejin Ahn, Ian Mitchell, Maryam Kamgarpour
• 提交日期：2024年1月8日（v1）；最后修订于2025年3月8日（v2）
• 发表信息：IEEE Transactions on Control Systems Technology 特刊 "Intelligent Decision Making, Planning and Control of Automated Vehicles"，vol. 33, no. 4, pp. 1193-1206, July 2025
• DOI：10.1109/TCST.2024.3477089
• arXiv 编号：arXiv:2401.03799 [eess.SY]
• 主题分类：系统与控制（Systems and Control, eess.SY）

摘要

本文提出了一种在高斯混合模型（Gaussian Mixture Model, GMM）不确定性下的机会约束模型预测控制（Model Predictive Control, MPC）框架。具体而言，作者关注的是移动障碍物未来行为预测中产生的不确定性，这类不确定性可能呈现多模态特征（例如，障碍物可能左转或右转）。

为处理这种多模态不确定性分布，作者提出了三种 MPC 公式：
1. 标称机会约束规划（nominal chance-constrained planning）
2. 鲁棒机会约束规划（robust chance-constrained planning）
3. 应急规划（contingency planning）

作者证明了这三种规划器生成的闭环轨迹均是安全的。三种方法在保守性和性能保证方面存在差异：鲁棒机会约束规划器在预测不确定性传播的特定假设下具有递归可行性；而应急规划器相比标称规划器能生成保守性更低的闭环轨迹。作者使用自动驾驶仿真器中先进的轨迹预测算法对上述规划器进行了验证。

关键词

• 机会约束模型预测控制（Chance-constrained MPC）
• 高斯混合模型（Gaussian Mixture Model, GMM）
• 递归可行性（Recursive Feasibility）
• 多模态不确定性（Multi-modal Uncertainty）
• 自动驾驶（Autonomous Driving）
• 轨迹预测（Trajectory Prediction）