Teaching Autonomous Vehicles to Express Interaction Intent during Unprotected Left Turns: A Human-Driving-Prior-Based Trajectory Planning Approach

要約

既存の交通システムに自動運転車両 (AV) を組み込むには、混合交通環境における人間駆動車両 (HV) との共存を検討する必要があります。
この共存の中心となるのは、交通シナリオ内で人間のようなインタラクションの意図をエミュレートする AV の機能です。
私たちは、人間の運転行動を反映し、社会的意図を効果的に伝えるように設計された、AV の保護されていない左折軌道を計画するための新しいフレームワークを紹介します。
このフレームワークは、軌道生成、評価、選択の3フェーズで構成されます。軌道生成フェーズでは、実際の人間の運転軌跡データを活用して予測軌道空間に制約を設け、意図を反映した運動軌道の候補を作成します。
評価フェーズには最大エントロピー逆強化学習 (ME-IRL) が組み込まれており、交通効率、運転の快適さ、インタラクティブな安全性などの側面を考慮して、人間の軌道の好みを測定します。
選択段階では、ボルツマン分布ベースのアプローチを採用して候補の軌道に報酬と確率を割り当て、人間らしい意思決定を促進します。
私たちは、本物の軌跡データセットを使用してフレームワークを検証し、さまざまなベースライン手法との比較分析を実行します。
シミュレーター テストと人間参加型の運転実験から得られた結果は、人間のような運転の模倣、意図の表現、計算効率におけるフレームワークの優位性を裏付けています。
この研究の詳細については、https://shorturl.at/jqu35 をご覧ください。

要約(オリジナル)

Incorporating Autonomous Vehicles (AVs) into existing transportation systems necessitates examining their coexistence with Human-driven Vehicles (HVs) in mixed traffic environments. Central to this coexistence is the AVs’ ability to emulate human-like interaction intentions within traffic scenarios. We introduce a novel framework for planning unprotected left-turn trajectories for AVs, designed to mirror human driving behaviors and effectively communicate social intentions. This framework consists of three phases: trajectory generation, evaluation, and selection.In the trajectory generation phase, we utilize real human-driving trajectory data to establish constraints for a predicted trajectory space, creating candidate motion trajectories that reflect intent. The evaluation phase incorporates maximum entropy inverse reinforcement learning (ME-IRL) to gauge human trajectory preferences, considering aspects like traffic efficiency, driving comfort, and interactive safety. During the selection phase, a Boltzmann distribution-based approach is employed to assign rewards and probabilities to the candidate trajectories, promoting human-like decision-making. We validate our framework using an authentic trajectory dataset and conduct a comparative analysis with various baseline methods. Our results, derived from simulator tests and human-in-the-loop driving experiments, affirm our framework’s superiority in mimicking human-like driving, expressing intent, and computational efficiency. For additional information of this research, please visit https://shorturl.at/jqu35.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google