Uncertainty Management in a Scenario-Based MPC for Collision Avoidance

Abstract

Eit robust antikollisjonssystem er viktig for å sørge for sikker styring av autonome overflatefartøy. Dette antikollisjonssystemet er avhengig av eit påliteleg målfølgingssystem for å halde styr på hindringar i nærleiken. Her er usikkerheit ein viktig faktor som må handterast, ettersom ingen sensorsystem er perfekte, ei heller blir alle fartøy køyrt på samme måte.

Denne masteroppgåva brukte tilstandsestimat for hindringar med tilhøyrande usikkerhet representert som kovariansar, til å estimere sannsynet for kollisjon mellom det autonome overflatefartøyet og hindringane. Eit Kalmanfilter blei brukt for å produsere estimata og kovariansane. Monte Carlo- integrasjon og viktigheitssampling blei brukt til utrekning av kollisjonssannsyna. To strategiar blei her testa, der bare den første var ein fungerande metode. Den fungerande strategien punktprøver moglege rettlinja banar hindringar kan ta, og brukar andelen av dei banane som krysser ein definert sikkerheitssone rundt det autonome overflatefartøyet ved det nærmaste punktet mellom to objekt med rettlinja rørsle (CPA), som eit estimat for kollisjonssannsynet. Greie resultat blei oppnådd, men ikkje gode nok til bruk av metoden i sanntid, på grunn av lang reknetid per evaluering av kollisjonssannsynet. Her burde eit minimum av n_{mc,int} = 1000 samplepunkt bli brukt for å få ein akseptabelt låg varians i estimatet av sannsynet.

Evalueringsmetoden for å rekne ut kollisjonssannsynet blei vidare brukt i ein probabilistisk versjon av den scenariobaserte modellprediktive regulatoren (SBMPC), der tre forskjellige endringar på kostfunksjonen i den sistnevnte metoden, for å ta høgde for kollisjonssannsyn, blei testa. Simuleringsresultat med dei foreslåtte endringane gav ingen betydelege forbetringar for antikollisjonssystemet, men utgjer eit første skritt på vegen for å finne betre måtar å endre SBMPC-en på for å ta høgde for usikkerheit.

A robust Collision Avoidance (COLAV) system is of paramount importance in order to ensure safe operation of Autonomous Surface Vessels (ASVs). The COLAV system is highly dependent on a reliable tracking system to infer and predict the trajectories of nearby obstacles. Here, uncertainty becomes an important factor to be dealt with, as sensor systems are never perfect, nor are all vessel driven equally.

This thesis used obstacle state estimates and the corresponding uncertainty in the form of error covariances produced by a Kalman Filter, to estimate the probability of collision of the ASV with obstacles, using Monte Carlo integration and importance sampling. Two strategies were tested, where only the first was made to be a working approach. This strategy samples possible straight line obstacle trajectories and uses the fraction of the number of them crossing a defined satefy zone around the ASV at the Closest Point of Approach (CPA) as the probability estimate. Decent results were obtained, but not feasible for real-time due to long computational times per probability evaluation. This was mainly because uncertainty in both position and velocity were considered, causing the need for sampling in 4 dimensions. Here, a minimum number of n_{mc,int} = 1000 samples should be drawn to have acceptably low variance in the probability estimate.

The collision probability evaluation method was further used in a probabilistic version of the Scenario-Based Model Predictive Control (SBMPC), where three different modifications to the latter method’s cost function to account for collision probability were tested. Simulation results with the suggested modifications did not give any significant performance gain, but serves as a first-step in finding better ways of modifying the SBMPC to account for uncertainty.