Equivariant Deep Learning of Mixed-Integer Optimal Control Solutions for Vehicle Decision Making and Motion Planning

混合整数二次规划(MIQP)是一种多才多艺的形式，用于制定车辆决策和运动规划问题，其中预测模型是涉及离散和连续决策变量的混合动力系统。然而，即使是最先进的MIQP求解器也很难满足汽车嵌入式平台的挑战性要求。因此，我们使用机器学习来简化和加速优化。我们的工作建立在最近解决MIQP实时问题的思想之上，通过训练神经网络来预测整数变量的最优值，并通过在线二次规划来解决剩余的问题。具体而言，我们提出了一个循环置换等变深度集合，特别适合模仿涉及许多障碍物的MIQPs，这通常是运动规划问题中计算负担的主要来源。我们的框架还包括一个可行性投影仪，用于纠正整数变量的不可行预测，并显着增加计算无碰撞轨迹的可能性。我们在SUMO模拟中的实际多车道交通情景中评估了使用所提出的方法进行自主驾驶决策的性能、安全性和实时可行性。

论文旨在通过机器学习简化和加速混合动力系统下的车辆决策制定和运动规划问题的优化过程。

论文提出了一种基于循环置换等变深度集的神经网络框架，通过训练神经网络来预测整数变量的最优值，并通过在线二次规划来解决其余问题。同时，论文还提出了一个可行性投影器，以纠正整数变量的不可行预测，并显著提高计算无碰撞轨迹的可能性。

论文在SUMO模拟中对自动驾驶决策制定进行了实验评估，证明了所提出的方法在性能、安全性和实时可行性方面的有效性。此外，论文还开源了其使用的数据集和代码，为后续研究提供了便利。

最近的相关研究包括： 1. 'Real-time motion planning for autonomous vehicles in urban environments using deep reinforcement learning.' 2. 'A survey of motion planning and control techniques for self-driving urban vehicles.' 3. 'Learning-based motion planning for autonomous vehicles: A review.'