Collaborative Decision-Making Using Spatiotemporal Graphs in Connected Autonomy

要約

協調的な意思決定は、コネクテッドカーなどのマルチロボットシステムが事故が起こりやすいシナリオで自動運転車を協調的に制御するために不可欠な機能です。
限られた通信帯域幅の下で、接続されたエージェントの観察を統合して包括的な状況認識を取得することは非常に困難です。
この論文では、事故が起こりやすいシナリオで自車両を制御するために協力者の表現を効率的かつ効果的に統合する、新しい協力的意思決定方法を提案します。
私たちのアプローチは、協調的な意思決定を分類問題として定式化します。
まず、生の観測結果のシーケンスを時空間グラフとして表現します。これにより、コネクテッド カー間で共有するパッケージ サイズが大幅に削減されます。
次に、異種グラフ学習に基づいた新しい時空間グラフ ニューラル ネットワークを設計します。これは、協調的な意思決定のために統一された方法でオブジェクトの時空間的接続を分析します。
私たちは、現実的な交通量、通信帯域幅、コネクテッド自律走行車間の車両センシングを考慮した高忠実度シミュレーターを使用してアプローチを評価します。
実験結果は、私たちの表現が、コネクテッド自動運転のための通信帯域幅の要件を満たす共有データ サイズの 100 分の 1 以上の削減を達成することを示しています。
さらに、当社のアプローチにより、運転の安全性が 30% 以上向上しました。

要約(オリジナル)

Collaborative decision-making is an essential capability for multi-robot systems, such as connected vehicles, to collaboratively control autonomous vehicles in accident-prone scenarios. Under limited communication bandwidth, capturing comprehensive situational awareness by integrating connected agents’ observation is very challenging. In this paper, we propose a novel collaborative decision-making method that efficiently and effectively integrates collaborators’ representations to control the ego vehicle in accident-prone scenarios. Our approach formulates collaborative decision-making as a classification problem. We first represent sequences of raw observations as spatiotemporal graphs, which significantly reduce the package size to share among connected vehicles. Then we design a novel spatiotemporal graph neural network based on heterogeneous graph learning, which analyzes spatial and temporal connections of objects in a unified way for collaborative decision-making. We evaluate our approach using a high-fidelity simulator that considers realistic traffic, communication bandwidth, and vehicle sensing among connected autonomous vehicles. The experimental results show that our representation achieves over 100x reduction in the shared data size that meets the requirements of communication bandwidth for connected autonomous driving. In addition, our approach achieves over 30% improvements in driving safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google