Learning-Based Modeling of Human-Autonomous Vehicle Interaction for Enhancing Safety in Mixed-Vehicle Platooning Control

要約

自動運転車 (AV) が公道で普及するにつれて、混合交通のシナリオでは必然的に人間が運転する車 (HV) と相互作用するようになります。
AV と HV 間の安全な相互作用を確保するには、AV の制御戦略を開発する際に HV の不確実な動作を考慮することが重要です。
この論文では、第一原理モデルとガウス過程（GP）学習ベースのコンポーネントを組み合わせた、HVの効率的な学習ベースのモデリングアプローチを提案します。
GP モデルは、第一原理モデルの速度予測を修正し、その不確実性を推定します。
このモデルを利用して、GP-MPC と呼ばれるモデル予測制御 (MPC) 戦略は、不確実性評価を距離制約に統合することにより、混合車両隊列の安全制御を強化するように設計されました。
GP-MPC 戦略を、シミュレーション研究で第一原理モデルのみを使用するベースライン MPC と比較します。
私たちの GP-MPC 戦略は、より堅牢な安全距離の保証を提供し、混合小隊のすべての車両に対してより効率的な移動行動 (より高い移動速度) を可能にすることを示しています。
さらに、HV モデリングにスパース GP 手法を組み込み、MPC に動的 GP 予測を組み込むことで、ベースライン MPC よりわずか 5% 長い各タイム ステップでの GP-MPC の平均計算時間を達成し、これは約 100 倍高速です。
これらの近似を使用しなかった以前の作業よりも。
この作業は、HV の学習ベースのモデリングが、AV と HV の相互作用を含む混合トラフィックの安全性と効率をどのように強化できるかを示しています。

要約(オリジナル)

As autonomous vehicles (AVs) become more prevalent on public roads, they will inevitably interact with human-driven vehicles (HVs) in mixed traffic scenarios. To ensure safe interactions between AVs and HVs, it is crucial to account for the uncertain behaviors of HVs when developing control strategies for AVs. In this paper, we propose an efficient learning-based modeling approach for HVs that combines a first-principles model with a Gaussian process (GP) learning-based component. The GP model corrects the velocity prediction of the first-principles model and estimates its uncertainty. Utilizing this model, a model predictive control (MPC) strategy, referred to as GP-MPC, was designed to enhance the safe control of a mixed vehicle platoon by integrating the uncertainty assessment into the distance constraint. We compare our GP-MPC strategy with a baseline MPC that uses only the first-principles model in simulation studies. We show that our GP-MPC strategy provides more robust safe distance guarantees and enables more efficient travel behaviors (higher travel speeds) for all vehicles in the mixed platoon. Moreover, by incorporating a sparse GP technique in HV modeling and a dynamic GP prediction in MPC, we achieve an average computation time for GP-MPC at each time step that is only 5% longer than the baseline MPC, which is approximately 100 times faster than our previous work that did not use these approximations. This work demonstrates how learning-based modeling of HVs can enhance safety and efficiency in mixed traffic involving AV-HV interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google