Active Interaction-Aware Model Predictive Path Integral via Ego-Conditioned Generative Predictions

Technische Samenvatting: Actieve Interactie-bewuste Model Predictive Path Integral via Ego-geconditioneerde Generatieve Voorspellingen

Probleemstelling
Autonome navigatie in druk verkeer is fundamenteel een interactief probleem waarbij het ego-voertuig en de omringende agenten elkaar continu beïnvloeden. Traditionele "predict-then-plan"-benaderingen ontkoppelen deze processen door agent-trajecten onafhankelijk van de toekomstige acties van het ego-voertuig te voorspellen. Dit paradigma lijdt aan het "frozen robot"-probleem, waarbij het systeem te voorzichtig of geblokkeerd raakt in interactieve scenario's (bijv. invoegen, ongebeschermde bochten) omdat het er niet in slaagt rekening te houden met hoe de eigen acties reacties van anderen uitlokken. Hoewel speltheoretische methoden proberen interacties te modelleren, vertrouwen ze vaak op onrealistische aannames van rationaliteit en lijden ze onder computationele onhandelbaarheid in druk verkeer. Daartegenover staan bestaande ego-geconditioneerde planners die vaak een rigide "leader-follower"-structuur hanteren, wat kan leiden tot te agressief gedrag omdat impliciet wordt aangenomen dat andere agenten zullen wijken. De kernuitdaging is het ontwikkelen van een planningsframework dat actief redeneert over interactie-onzekerheid, de verborgen intentie van andere agenten probeert te achterhalen en de balans vindt tussen taalefficiëntie en veiligheid zonder te vertrouwen op vereenvoudigde parametrische modellen.

Methodologie
De auteurs stellen een hybride planningsframework voor dat een Generative Autoregressive Prediction Model (GARPM) — specifiek een variant van de SMART-transformerarchitectuur — integreert binnen een Model Predictive Path Integral (MPPI) controle-schema.

1. Ego-geconditioneerde Voorspelling: In tegen tegenover standaard voorspellers genereert de GARPM stochastische, multi-modale voorspellingen van de toekomst van omringende agenten, geconditioneerd op specifieke kandidaat-ego-trajecten. De gezamenlijke distributie van de toekomsten van agenten wordt autoregressief gefactoriseerd, waarbij de volgende staat van elke agent wordt voorspeld op basis van de historie van alle agenten en het specifieke ego-traject dat wordt geëvalueerd.
2. Genest Steekproefschema (Nested Sampling Scheme): Om de circulaire afhankelijkheid tussen planning en voorspelling op te lossen (waarbij de planning een voorspelling vereist, maar de voorspelling een planning vereist), gebruiken de auteurs een handelbare geneste steekproefmethode:
   • Buitenste Lus (MPPI): De planner neemt $M$ kandidaat ego-trajecten door een nominaal controlesequentie te verstoren.
   • Binnenste Lus (Behavior Rollouts): Voor elk gesampled ego-traject genereert de GARPM $B$ stochastische gedrags-rollouts voor de omringende agenten.
   • Surrogaatdistributie: Om de kostenevaluatie handelbaar te maken, wordt de discrete set van $B$ rollouts omgezet in een continue Gaussian Mixture (MoG) surrogaat. De gemiddelden van de Gaussians komen overeen met de gesamplede agent-toestanden, terwijl de menggewichten worden afgeleid van de autoregressieve waarschijnlijkheden van de gesamplede trajecten.
3. Risico-bewuste Kostenevaluatie: De stage-cost voor elk ego-traject wordt berekend door tracking- en snelheidsobjectieven te evalueren tegen de MoG-surrogaat. Cruciaal is dat het botsingsrisico wordt geschat door de MoG-distributie te integreren over de botsingsregio. Dit stelt de planner in staat om de botsingskans te beoordelen onder de geïnduceerde distributie van agentgedragingen.
4. Actieve Onzekerheidsreductie: Het framework stimuleert impliciet "actief" gedrag. Trajecten die de omgeving actief beproeven (bijv. naar voren kruipen om een reactie uit te lokken) hebben de neiging de intenties van agenten te verhelderen, waardoor de MoG-gewichten zich concentreren op minder, meer consistente hypothesen. Dit vermindert de geschatte botsingskans in de kostenfunctie, wat de MPPI-optimizer natuurlijk richting manoeuvres leidt die onzekerheid oplossen.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. Hybride Framework: Een innovatieve integratie van geleerde autoregressieve generatieve modellen in MPPI, waardoor de lus tussen voorspelling en planning wordt gesloten. Dit maakt gebruik van het expressieve vermogen van generatieve modellen om multi-modale onzekerheid uit de echte wereld te vangen, terwijl de veiligheidsrelevante structuur van model-gebaseerde controle behouden blijft.
2. Handelbare Interactie-bewuste Formulering: Een interactie- en onzekerheidsbewuste planningsformulering met behulp van een genest steekproefschema. Deze aanpak evalueert multi-modale voorspellingen geconditioneerd op gesamplede ego-trajecten, wat risico-bewuste botsingskans-schattingen oplevert zonder de "leader-follower"-bias van standaard ego-geconditioneerde planners.
3. Impliciete Actieve Probing: De demonstratie dat het combineren van generatieve modellen met MPPI-wegingsmechanismen actieve onzekerheidsreductie mogelijk maakt. Het systeem bereikt hiermee assertiever en efficiënter rijgedrag zonder dat daar expliciete belief-space representaties of dedicated exploratietermen voor nodig zijn.

Resultaten
De voorgestelde methode werd geëvalueerd in de nuPlan simulator over drie interactieve stedelijke scenario's: zijdelingend invoegen in een rijstrook, invoegen op een afrit en een ongebeschermde linkerbocht. Het systeem werd vergeleken met vier baselines:

• Baseline 1: Multi-modale Predict-Then-Plan.
• Baseline 2: Receding-Horizon Ego-Conditioning (geconditioneerd op enkel het vorige optimale plan).
• Baseline 3: Unimodale Ego-Conditioned Planning.
• Baseline 4: Passieve Ego-Conditioned MPPI (vaste waarschijnlijkheden).

Kwantitatieve Bevindingen:

• Invoegen (Merging): De voorgestelde methode behaalde een invoegsuccesrate van 75% met de laagste invoegtijd (11,8s) vergeleken met alle baselines. Baseline 1 (predict-then-plan) had een succesrate van 37,5% vanwege excessieve conservatisme.
• Invoegen op een afrit (On-Ramp Merging): De voorgestelde methode behaalde een botsingspercentage van 0%, terwijl ego-geconditioneerde baselines (2, 3 en 4) botsingspercentages hadden tussen de 15% en 25% door het overschatten van coöperativiteit. Baseline 1 bleef te conservatief.
• Ongebeschermde Linkerbocht: De voorgestelde methode behaalde de laagste deadlock-rate (5%) en botsingsrate (0%), waarmee het beter presteerde dan baselines die deadlock-rates tot 30% en botsingsrates tot 10% vertoonden.

Kwalitatieve Bevindingen:
Visuele analyse (Fig. 2–6) bevestigt dat de voorgestelde methode erin slaagt de coöperativiteit van omringende agenten af te leiden via actieve probing. In coöperatieve scenario's zet de planner in op de manoeuvre zodra de "yield"-modus dominant wordt. In niet-coöperatieve scenario's domineert de "proceed"-modus, wat de geschatte botsingskans verhoogt en de planner dwingt om veiligere, ontwijkende manoeuvres te kiezen. In contrast hiermee faalden baselines ofwel in het verhelderen van intentie-ambiguïteit (leidend tot deadlock) of bleven ze te optimistisch (leidend tot botsingen).

Betekenis
Het artikel stelt dat de betekenis ligt in het bieden van een principiële oplossing voor het "frozen robot"-probleem zonder de computationele last van speltheoretische evenwichtsberekening of de gedragsmatige beperkingen van vereenvoudigde parametrische modellen. Door het autoregressieve karakter van moderne generatieve modellen te benutten binnen een sampling-gebaseerde controller, stelt het framework autonome voertuigen in staat om hun omgeving actief te beproeven om onzekerheid te verminderen. Dit resulteert in rijgedrag dat tegelijkertijd veiliger, efficiënter en besluitvaardiger is dan conventionele predict-then-plan of passieve interactie-bewuste benaderingen, waardoor effectief de strategieën van actieve onzekerheidsreductie wordt nagebootst die bij menselijke bestuurders worden waargenomen.