Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors

Probleemstelling

Modulaire autonome voertuigsystemen moeten een delicate balans vinden tussen het behalen van globale voortgangsdoelen (zoals het volgen van een geplande route) en het uitvoeren van lokale, veiligheidsgerichte reacties op obstakels. Deze taak wordt bemoeilijkt door imperfecte sensorgegevens (ruis, latentie, data-verlies en valse metingen) en strikte real-time beperkingen.

In interactieve rijscenario's, zoals het inhalen op korte afstand, kunnen sensorartefacten leiden tot:

• Voortijdige of vertraagde manoeuvres.
• Snelle oscillaties tussen gedragsmodi.
• Overmatig conservatief gedrag dat voortgang belemmert.

Bestaande oplossingen die gebruikmaken van drempelwaarden (rules-based) zijn vaak kwetsbaar voor deze sensorfouten. Het paper richt zich op het ontwikkelen van een robuuste arbitratielaag die twee bestaande, interpreteerbare controllers (een globale en een lokale) coördineert zonder deze te vervangen, specifiek onder omstandigheden met LiDAR-storingen.

Methodologie

De auteurs presenteren een ROS2-native arbitratiemodule die de output van twee onveranderde controllers continu fuseert:

1. Globale Controller: Pure Pursuit (PP), verantwoordelijk voor het volgen van een vooraf berekende racelijn.
2. Lokale Controller: Gap Follow (GF), een reactieve LiDAR-gebaseerde controller die vrije ruimtes detecteert en uitwijkt voor obstakels.

Kerncomponenten van de oplossing:

• Continue Commando-fusie: In plaats van te schakelen tussen modi, voert een Reinforcement Learning (RL) agent een continue "gate" $\alpha \in [0, 1]$ uit. De uiteindelijke besturing (Ackermann-commando) is een lineaire combinatie:
  $$u_t = (1 - \alpha_t) u_{PP,t} + \alpha_t u_{GF,t}$$
• PPO-beleid: Een Proximal Policy Optimization (PPO) algoritme leert deze gate $\alpha$ op basis van een compacte observatievector. Deze vector bevat samenvattingen van LiDAR-data (zoals vrije ruimte vooruit), geometrie van de route en relatieve informatie over andere voertuigen.
• Veiligheidsmechanismen: Het systeem bevat extra veiligheidschecks die de gefuseerde commando's kunnen overschrijven:
  • Een watchdog voor verouderde input (staleness).
  • Een stopcommando bij te kleine afstand tot obstakels.
  • Een "interaction-mode gating" die het beleid alleen activeert tijdens daadwerkelijke interacties (bijv. inhalen).
• Benchmarks: Voor vergelijking is een lichtgewicht sampling-based predictive baseline (Sampling MPC) geïmplementeerd. Deze gebruikt dezelfde ROS-inputs en controlefrequentie (30 Hz) maar kiest uit een discrete set van constante stuurhoeken op basis van kinematische simulatie en LiDAR-blokkering.

Evaluatieprotocol:
De robuustheid wordt getest in de F1TENTH Gym ROS simulator op een onbekend circuit (IMS) na training op een ander circuit (Levine). Er wordt een specifiek "LiDAR-impairment protocol" gebruikt dat de volgende storingen injecteert:

• Gaussische bereikruis ($\sigma = 0.05$ m).
• Scanvertraging (200 ms).
• Scan-dropout (30% kans).
• Variabele: Injectie van valse korteafstands-outliers in de voorkegel (sweep van 0% tot 40% kans).

Belangrijkste Bijdragen

1. ROS2-gebaseerde Robuustheidsevaluatie: Een nieuw protocol dat LiDAR-ruis, vertraging en dropout combineert met een sweep van valse metingen om robuustheidscurves te genereren voor veiligheid en real-time prestaties.
2. Gelijkwaardige Predictieve Baseline: Implementatie van een Sampling MPC-baseline die exact dezelfde input- en controlefrequentie gebruikt als de voorgestelde methode, waardoor een eerlijke vergelijking mogelijk is.
3. Commando-niveau Continue Fusie: Een ROS2-module die Pure Pursuit en Gap Follow fuseert via één continue variabele, ondersteund door praktische veiligheidsmechanismen, zonder de onderliggende controllers aan te passen.

Resultaten

De experimenten werden uitgevoerd in een scenario waarbij het autonome voertuig een langzamere tegenstander moet inhalen.

• Prestaties onder normale omstandigheden:
  • De voorgestelde arbitratiemethode behaalde een 100% succesratio (geen botsingen, geen uitrijden van het circuit, geen time-outs).
  • De Sampling MPC-baseline behaalde 90% succes, waarbij één heat eindigde in een time-out.
• Real-time stabiliteit:
  • Hoewel de Sampling MPC een lagere gemiddelde runtime had (24,15 ms vs 31,95 ms), vertoonde het veel grotere worst-case runtime pieken (61,83 ms vs 47,12 ms). De arbiter toonde een consistentere verwerkingstijd, wat cruciaal is voor responsiviteit in kritieke vensters.
• Robuustheid onder LiDAR-storingen:
  • Naarmate de kans op valse korteafstands-outliers ($p_{out}$) toenam, degradeerde de prestatie van de Sampling MPC sneller. Deze methode neigde naar overmatige conservativiteit (veel time-outs) omdat valse metingen de vooruitgang blokkerend leken.
  • De voorgestelde arbiter vertoonde een langzamere degradatie in veilige succespercentages. Door te vertrouwen op samenvattingen van vrije ruimte in plaats van het screenen van elke straal voor elke traject-candidate, was de methode minder gevoelig voor geïsoleerde outliers en vertoonde minder oscillaties.

Betekenis en Conclusie

Het paper demonstreert dat het leren van een enkele, continue fusie-gate tussen twee interpreteerbare, klassieke controllers een effectieve strategie is voor robuuste besturing in modulaire autonome stacks.

De belangrijkste inzichten zijn:

• Robuustheid: Het continue fusie-aanpak is superieur aan een traditionele sampling-baseline onder omstandigheden met sensorfouten, vooral omdat het minder gevoelig is voor valse metingen die leiden tot over-conservatief gedrag.
• Real-time Betrouwbaarheid: De methode biedt een meer voorspelbare en consistente verwerkingstijd, wat essentieel is voor veilige interacties op korte afstand.
• Praktische Toepasbaarheid: De oplossing fungeert als een commando-niveau coördinator die bestaande modules (zoals die in Autoware) kan verbeteren zonder de complexe planning of de onderliggende controllers volledig te vervangen.

De studie positioneert deze methode niet als een vervanging voor complexe interactie-resonering op plan-niveau, maar als een robuuste laag voor het coördineren van lage-niveau rijgedrag onder imperfecte sensoromstandigheden.