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

要約

自律走行車（AV）を人間主導の既存の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、人間と機械の相互作用が頻繁かつ複雑な環境において、かなりの課題を提起する。このような課題に対処するために、我々は、動的かつ社会的な意思決定ゲーム理論を前提とした新しいフレームワークを導入し、混合運転環境におけるAVの社会的意思決定能力を増強する。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で構成されている：インタラクション指向の特定、混合戦略ゲームモデリング、エキスパートモード学習である。我々は、様々なエージェントの社会的意思決定傾向を評価するための指標として、環境要因と軌道特性の両方を取り入れた「相互作用志向性」を導入する。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、安全性、運転効率、および環境条件の予測不可能性のバランスをとる効用関数を含む。実世界の複雑な運転に適応するために、我々のフレームワークは、熟練した人間の運転戦略を同化し学習するための動的最適化フレームワークを利用する。これらの戦略は包括的な戦略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なる。提案されたアプローチは、広範な運転データセットと人間によるループ内運転実験によって検証され、その結果、意思決定のタイミングと精度が著しく向上することが実証された。

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. To deal with 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: Interaction Orientation Identification, 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 characteristics. 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 a dynamic optimization framework for assimilating and learning from expert human driving strategies. These strategies are compiled into a comprehensive strategy library, serving as a reference for future decision-making processes. The proposed approach is validated through extensive driving datasets and human-in-loop driving experiments, and the results demonstrate marked enhancements in decision timing and precision.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL