Enhancing Social Decision-Making of Autonomous Vehicles: A Mixed-Strategy Game Approach With Interaction Orientation Identification

要約

自動運転車 (AV) を既存の人が運転する交通システムに統合することは、特に信号のない交差点など、人と機械の相互作用が頻繁かつ複雑な環境では、かなりの課題を引き起こします。
これらの課題に対処するために、私たちは、混合運転環境における AV の社会的意思決定能力を強化するために、動的で社会を意識した意思決定ゲーム理論に基づいた新しいフレームワークを導入します。この包括的なフレームワークは、3 つの主要なモジュールに分けられます。社会傾向認識、
混合戦略ゲーム モデリングとエキスパート モード学習。
環境要因と軌跡データの両方を組み込んだ、さまざまなエージェントの社会的意思決定傾向を評価する指標として「インタラクション指向」を導入します。
このフレームワークの一部として開発された混合戦略ゲーム モデルは、将来の交通シナリオの進化を考慮しており、安全性、運用効率、および環境条件の予測不可能性のバランスをとるユーティリティ機能が含まれています。
現実世界の運転の複雑さに適応するために、私たちのフレームワークは動的最適化技術を利用して、専門家の人間の運転戦略を同化し、学習します。
これらの戦略は包括的なライブラリにまとめられ、将来の意思決定プロセスの参考として機能します。
私たちのアプローチは広範な運転データセットを通じて検証されており、その結果は意思決定のタイミングと精度が大幅に向上していることを示しています。

要約(オリジナル)

The integration of Autonomous Vehicles (AVs) into existing human-driven traffic systems poses considerable challenges, especially within environments where human and machine interactions are frequent and complex, such as at unsignalized intersections. Addressing these challenges, we introduce a novel framework predicated on dynamic and socially-aware decision-making game theory to augment the social decision-making prowess of AVs in mixed driving environments.This comprehensive framework is delineated into three primary modules: Social Tendency Recognition, Mixed-Strategy Game Modeling, and Expert Mode Learning. We introduce ‘Interaction Orientation’ as a metric to evaluate the social decision-making tendencies of various agents, incorporating both environmental factors and trajectory data. The mixed-strategy game model developed as part of this framework considers the evolution of future traffic scenarios and includes a utility function that balances safety, operational efficiency, and the unpredictability of environmental conditions. To adapt to real-world driving complexities, our framework utilizes dynamic optimization techniques for assimilating and learning from expert human driving strategies. These strategies are compiled into a comprehensive library, serving as a reference for future decision-making processes. Our approach is validated through extensive driving datasets, and the results demonstrate marked enhancements in decision timing, precision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google