EnsembleFollower: A Hybrid Car-Following Framework Based On Reinforcement Learning and Hierarchical Planning

要約

車追従モデルは、縦方向の運転挙動の理解に大きく貢献してきました。
ただし、車の追従プロセスに固有の複雑さを完全には捉えることができなかったり、トレーニング データに存在する限られた運転スキルに依存するため、目に見えないシナリオで失敗したりする可能性があるため、精度と柔軟性が限られていることがよくあります。
各車追従モデルには、特定の運転シナリオに応じて独自の長所と短所があることは注目に値します。
そこで、人間のような高度な自動車追従を実現するための階層型プランニングフレームワークであるEnsembleFollowerを提案します。
EnsembleFolwer フレームワークには、アクションを実行する適切な低レベル モデルを選択するか、アクションを実行するために異なる重みを割り当てることによって、現在の状態に応じて複数の下位車追従モデルを賢明に管理する高レベルの強化学習ベースのエージェントが関与します。
すべての下位コンポーネント。
さらに、より説得力のある車追従シミュレーションのために、ジャーク制約付き運動学モデルを提案します。
HighD データセットからの実世界の運転データに基づいて、提案された方法を評価します。
実験結果は、EnsembleFollower が人間のような行動の精度を向上させ、ハイブリッド モデルを組み合わせる際の有効性を実現することを示しており、提案したフレームワークがさまざまな低レベル モデルの長所を活用することで、多様な車両追従条件に対応できることを示しています。

要約(オリジナル)

Car-following models have made significant contributions to our understanding of longitudinal driving behavior. However, they often exhibit limited accuracy and flexibility, as they cannot fully capture the complexity inherent in car-following processes, or may falter in unseen scenarios due to their reliance on confined driving skills present in training data. It is worth noting that each car-following model possesses its own strengths and weaknesses depending on specific driving scenarios. Therefore, we propose EnsembleFollower, a hierarchical planning framework for achieving advanced human-like car-following. The EnsembleFollower framework involves a high-level Reinforcement Learning-based agent responsible for judiciously managing multiple low-level car-following models according to the current state, either by selecting an appropriate low-level model to perform an action or by allocating different weights across all low-level components. Moreover, we propose a jerk-constrained kinematic model for more convincing car-following simulations. We evaluate the proposed method based on real-world driving data from the HighD dataset. The experimental results illustrate that EnsembleFollower yields improved accuracy of human-like behavior and achieves effectiveness in combining hybrid models, demonstrating that our proposed framework can handle diverse car-following conditions by leveraging the strengths of various low-level models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google