Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses

要約

車両の複合現実 (MR) メタバースでは、自動運転システムで物理環境と仮想環境を多次元通信と融合させることで、物理エンティティと仮想エンティティの間の距離を克服できます。
デジタル ツイン (DT) テクノロジの支援を受けて、コネクテッド自律走行車 (AV)、路側機 (RSU)、および仮想シミュレーターは、デジタル シミュレーションを介して車両の MR メタバースを維持し、データを共有して共同で運転の意思決定を行うことができます。
しかし、自動運転システムでのオンライン予測とオフライン トレーニングのために現実世界からの現実的なデータ収集と融合による大規模な交通と運転シミュレーションは困難であり、コストがかかります。
このホワイトペーパーでは、自動運転アーキテクチャを提案します。このアーキテクチャでは、ジェネレーティブ AI を活用して、無制限の条件付き交通量と運転データをシミュレーションで合成し、運転の安全性と交通効率を向上させます。
まず、RSU でさまざまな要件を持つ異種 DT タスクを確実に実行するためのマルチタスク DT オフロード モデルを提案します。
次に、AV の DT の好みと収集された現実的なデータに基づいて、仮想シミュレーターは無制限の条件付き運転と交通データセットを合成して、堅牢性をさらに向上させることができます。
最後に、自動運転のためのリソースを提供する RSU にきめの細かいインセンティブを提供するために、マルチタスクの強化されたオークションベースのメカニズムを提案します。
プロパティ分析と実験結果は、提案されたメカニズムとアーキテクチャがそれぞれ戦略に耐え、効果的であることを示しています。

要約(オリジナル)

In the vehicular mixed reality (MR) Metaverse, the distance between physical and virtual entities can be overcome by fusing the physical and virtual environments with multi-dimensional communications in autonomous driving systems. Assisted by digital twin (DT) technologies, connected autonomous vehicles (AVs), roadside units (RSU), and virtual simulators can maintain the vehicular MR Metaverse via digital simulations for sharing data and making driving decisions collaboratively. However, large-scale traffic and driving simulation via realistic data collection and fusion from the physical world for online prediction and offline training in autonomous driving systems are difficult and costly. In this paper, we propose an autonomous driving architecture, where generative AI is leveraged to synthesize unlimited conditioned traffic and driving data in simulations for improving driving safety and traffic efficiency. First, we propose a multi-task DT offloading model for the reliable execution of heterogeneous DT tasks with different requirements at RSUs. Then, based on the preferences of AV’s DTs and collected realistic data, virtual simulators can synthesize unlimited conditioned driving and traffic datasets to further improve robustness. Finally, we propose a multi-task enhanced auction-based mechanism to provide fine-grained incentives for RSUs in providing resources for autonomous driving. The property analysis and experimental results demonstrate that the proposed mechanism and architecture are strategy-proof and effective, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google