SwapTransformer: highway overtaking tactical planner model via imitation learning on OSHA dataset

要約

本論文では、高速道路における車線変更や追い越しに関する高度な意思決定問題について検討する。特に、高速道路における自動追い越しと車線変更のためのトラベルアシスト機能を改善することを目的とする。シミュレーションでは、車線画像やその他の動的オブジェクトを含む約900万サンプルが収集される。このデータ（Overtaking on Simulated HighwAys (OSHA)データセット）は、この課題に取り組むために公開されている。この問題を解決するために、OSHAデータセットに対する模倣学習アプローチとして、SwapTransformerと呼ばれるアーキテクチャが設計され、実装されている。さらに、周辺環境をより良く理解するためのモデルを支援するために、未来地点や車間距離ネットワーク予測などの補助タスクを提案する。提案ソリューションの性能を、シミュレーション環境において、ベースラインとして多層パーセプトロン（MLP）及び多頭自己注意ネットワークと比較する。また、補助タスクの有無によるモデルの性能も示す。すべてのモデルは、各ラップを終了する時間、追い越し回数、制限速度との速度差など、さまざまな指標に基づいて評価される。評価の結果、SwapTransformerモデルは、推論段階において、異なるトラフィック密度において他のモデルを凌駕することが示された。

要約(オリジナル)

This paper investigates the high-level decision-making problem in highway scenarios regarding lane changing and over-taking other slower vehicles. In particular, this paper aims to improve the Travel Assist feature for automatic overtaking and lane changes on highways. About 9 million samples including lane images and other dynamic objects are collected in simulation. This data; Overtaking on Simulated HighwAys (OSHA) dataset is released to tackle this challenge. To solve this problem, an architecture called SwapTransformer is designed and implemented as an imitation learning approach on the OSHA dataset. Moreover, auxiliary tasks such as future points and car distance network predictions are proposed to aid the model in better understanding the surrounding environment. The performance of the proposed solution is compared with a multi-layer perceptron (MLP) and multi-head self-attention networks as baselines in a simulation environment. We also demonstrate the performance of the model with and without auxiliary tasks. All models are evaluated based on different metrics such as time to finish each lap, number of overtakes, and speed difference with speed limit. The evaluation shows that the SwapTransformer model outperforms other models in different traffic densities in the inference phase.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL