Measuring Sociality in Driving Interaction

要約

他の人間の道路利用者と対話することは、自動運転車にとって最も困難なタスクの 1 つです。
調和のとれた運転行動のためには、暗黙の社会規範と人間ドライバーの個人化された社会的嗜好の両方を含む社会性を認識し、理解することが不可欠です。
インタラクションを促進する際の複雑な社会性を理解して定量化するために、社会的選好の測定値であるインタラクション選好値 (IPV) によってパラメータ化された仮想ゲームベースのインタラクション モデル (VGIM) を提案します。
IPV は、グループの報酬よりも個人の報酬に対するドライバーの相対的な傾向を捉えるように設計されています。
観察された運転軌跡からIPVを識別する方法も開発されており、これにより、典型的な対話型運転シナリオである無防備な左折で記録された運転データを使用して人間のドライバーのIPVを評価しました。
私たちの調査結果によると、(1) 人間のドライバーは、左折や直進などの特定の作業を行うときに、特定の社会的嗜好パターンを示します。
(2) 競争行動は、他のドライバーと調整するために人間のドライバーによって戦略的に実行される可能性があります。
最後に、ルールベースの人間らしい IPV 表現戦略を VGIM と最適化ベースのモーション プランナーに組み込むことにより、人間のデモンストレーションから社会性を意識したナビゲーションを学習する可能性について説明します。
シミュレーション実験により、(1) IPV 識別により対話型運転シナリオにおける動作予測性能が向上すること、(2) 人間の運転データから抽出された戦略を動的に表現する IPV により、運転対話において人間らしい協調パターンの再現が可能になることが実証されました。

要約(オリジナル)

Interacting with other human road users is one of the most challenging tasks for autonomous vehicles. For congruent driving behaviors, it is essential to recognize and comprehend sociality, encompassing both implicit social norms and individualized social preferences of human drivers. To understand and quantify the complex sociality in driving interactions, we propose a Virtual-Game-based Interaction Model (VGIM) that is parameterized by a social preference measurement, Interaction Preference Value (IPV). The IPV is designed to capture the driver’s relative inclination towards individual rewards over group rewards. A method for identifying IPV from observed driving trajectory is also developed, with which we assessed human drivers’ IPV using driving data recorded in a typical interactive driving scenario, the unprotected left turn. Our findings reveal that (1) human drivers exhibit particular social preference patterns while undertaking specific tasks, such as turning left or proceeding straight; (2) competitive actions could be strategically conducted by human drivers in order to coordinate with others. Finally, we discuss the potential of learning sociality-aware navigation from human demonstrations by incorporating a rule-based humanlike IPV expressing strategy into VGIM and optimization-based motion planners. Simulation experiments demonstrate that (1) IPV identification improves the motion prediction performance in interactive driving scenarios and (2) the dynamic IPV expressing strategy extracted from human driving data makes it possible to reproduce humanlike coordination patterns in the driving interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google