arXiv:2311.09780

Model Checking for Closed-Loop Robot Reactive Planning

Christopher Chandler, Bernd Porr, Alice Miller, Giulia Lafratta

제출 2023-11-16

원문 초록

In this paper, we show how model checking can be used to create multi-step plans for a differential drive wheeled robot so that it can avoid immediate danger. Using a small, purpose built model checking algorithm in situ we generate plans in real-time in a way that reflects the egocentric reactive response of simple biological agents. Our approach is based on chaining temporary control systems which are spawned to eliminate disturbances in the local environment that disrupt an autonomous agent from its preferred action (or resting state). The method involves a novel discretization of 2D LiDAR data which is sensitive to bounded stochastic variations in the immediate environment. We operationalise multi-step planning using invariant checking by forward depth-first search, using a cul-de-sac scenario as a first test case. Our results demonstrate that model checking can be used to plan efficient trajectories for local obstacle avoidance, improving on the performance of a reactive agent which can only plan one step. We achieve this in near real-time using no pre-computed data. While our method has limitations, we believe our approach shows promise as an avenue for the development of safe, reliable and transparent trajectory planning in the context of autonomous vehicles.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2601.22032v2cs.CV공통 태그 Autonomous Vehicles, Trajectory Planning

Drive-JEPA: 엔드-투-엔드 자율주행을 위한 비디오 JEPA와 멀티모달 궤적 증류의 결합

Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving

엔드-투-엔드 자율주행은 전이 가능한 계획 표현을 학습하기 위해 자기지도 비디오 사전학습을 점점 더 많이 활용하고 있다. 그러나 장면 이해를 위한 비디오 월드 모델 사전학습은 지금까지 제한적인 성능 향상만을 가져왔다. 이러한 한계는 자율주행의 본질적 모호성으로 인해 더욱 심화된다. 각 장면에서는 일반적으로 단 하나의 인간 궤적만이 제공되므로 멀티모달 행동을 학습하기가 어렵다. 본 연구에서는 엔드-투-엔드 자율주행을 위해 비디오 결합 임베딩 예측 아키텍처(V-JEPA)와 멀티모달 궤적 증류를 통합한 프레임워크인 Drive-JEPA를 제안한다. 먼저, 대규모 주행 비디오에서 ViT 인코더를 사전학습하여 궤적 계획과 정렬된 예측 표현을 생성하도록 V-JEPA를 엔드-투-엔드 자율주행에 적합하게 변형한다. 다음으로, 인간 궤적과 함께 시뮬레이터에서 생성된 다양한 궤적을 증류하고, 안정적이고 안전한 행동을 촉진하기 위한 모멘텀 인식 선택 메커니즘을 갖춘 제안 중심 계획기를 도입한다. NAVSIM에서 평가한 결과, V-JEPA 표현과 간단한 트랜스포머 기반 디코더의 조합은 인지 없는 설정에서 기존 방법 대비 PDMS 3점 향상을 달성한다. 완전한 Drive-JEPA 프레임워크는 v1에서 93.3 PDMS, v2에서 87.8 EPDMS를 달성하며 새로운 최고 성능(state-of-the-art)을 수립한다.

arXiv:2607.00399v1cs.CV공통 태그 Autonomous Vehicles, Trajectory Planning

DriveVer: 자율주행을 위한 테스트 타임 검증기로서의 경량 궤적 평가기

DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving

종단간(end-to-end) 자율주행 모델은 학습 시간 스케일링이 높은 계산 비용과 한계 수익 체감을 초래하면서 성능 병목 현상에 자주 직면한다. 기존 플래너는 일반적으로 원샷(one-shot) 생성 패러다임을 채택하여, 추론 중 최적이 아니거나 안전하지 않은 궤적을 탐지하고 수정하기 위한 2차 검증 및 능동적 교정 메커니즘이 부재하다. 이 문제를 해결하기 위해, 우리는 DriveVer를 제안한다. DriveVer는 경량 플러그앤플레이(plug-and-play) 테스트 타임 검증기(Test-Time Verifier)로, 테스트 타임 스케일링 패러다임을 활용하여 비용이 많이 드는 대규모 학습 없이도 자율주행 시스템이 궤적을 검증하고 개선할 수 있도록 한다. 우리는 자차(ego-vehicle) 상태와 내비게이션 명령에 따른 조건 기반 클러스터링 및 균형 샘플링을 통해 NAVSIM 벤치마크 기반의 전용 궤적 데이터셋을 구축하였다. 듀얼 헤드(dual-head) 아키텍처를 채택한 DriveVer는 후보 궤적을 다시점(multi-view) 시각 표현 및 자차 운동학적 특징과 효율적으로 융합하여 안전 신뢰도 점수와 절대적 기하학적 정제 벡터를 동시에 예측한다. NAVSIM 벤치마크에서의 광범위한 실험을 통해 DriveVer가 기반 계획 모델의 성능을 크게 향상시킴을 확인하였다. 특히, 단 3,400만(34M) 개의 매개변수를 가진 극도로 경량화된 모델로서, DriveVer는 최소한의 계산 오버헤드만을 추가하면서 실시간 추론 효율성을 유지하며 경쟁력 있는 결과를 달성한다.

arXiv:2606.06805v1cs.RO공통 태그 Autonomous Vehicles, Trajectory Planning

개인화된 주행 편의와 이동 효율을 위한 차선 변경 궤적 계획

Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency

차선 변경은 주행 편의와 이동 효율에 영향을 미치는 종방향 및 횡방향 운동을 동시에 수반한다. 이러한 운동은 밀접하게 결합되어 있으며 차량 간 상당한 변동성의 영향을 받기 때문에, 차선 변경 기동을 위한 궤적 계획은 매우 개인화된 특성을 갖는다. 본 연구는 3차 다항식 궤적 생성기와 다양한 주행 조건에서 최적 궤적 매개변수를 추론하는 학습 모듈을 통합한 신경망 기반 플래너를 제안한다. 공유 백본과 이중 헤드를 사용하여, 한 헤드는 모든 조건에서의 운용 보장을 확보하고, 다른 헤드는 편의 또는 이동 효율에 대한 운전자별 선호를 포착한다. 오류 우승 로지스틱 회귀 기반 통계 게이트로 구현된 헤드 게이트 전환 메커니즘이 다양한 주행 조건에서 적절한 헤드를 적응적으로 선택하여, 맥락 인식 차선 변경 궤적 계획을 가능하게 한다. 대표 사례와 몬테카를로 시뮬레이션 결과, 제안된 플래너가 차선 변경 중 개인화된 편의와 이동성을 달성함을 보여주며, 기준선은 개인화 데이터가 불충분하거나 접근할 수 없는 주행 조건에서 실행 가능한 궤적을 보장한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.