Hierarchical Learned Risk-Aware Planning Framework for Human Driving Modeling

要約

この論文では、シミュレーション環境での自律車両制御システムの評価に使用するために設計された、人間の運転行動をモデル化する新しいアプローチを紹介します。
私たちの方法論は、学習されたパラメーターを備えた階層的な前向きでリスクを認識した推定フレームワークを活用して、人間のような運転軌跡を生成し、モデル パラメーターによって決定される複数のドライバー レベルに対応します。
このアプローチは、マルチモーダルな軌道予測に基づいており、LSTM ベースのソーシャル プーリングを備えたディープ ニューラル ネットワークを使用して、周囲の車両の軌道を予測します。
これらの軌道は、自車両の経路に沿った将来のリスク評価を計算し、そのナビゲーションを導くために使用されます。
私たちの方法は、運転中の人間の意思決定をエミュレートするパラメータを学習することにより、人間の運転行動を再現することを目的としています。
私たちは、シミュレーションを実施し、実際の運転データを使用して人間の行動をモデル化する際のアプローチの精度を検証することで、モデルが堅牢な一般化機能を発揮することを保証します。
結果は、私たちのモデルが人間の行動を効果的に捉えていることを明らかにし、高速道路のさまざまなシナリオで人間のドライバーをモデル化する際の多用途性を示しています。

要約(オリジナル)

This paper presents a novel approach to modeling human driving behavior, designed for use in evaluating autonomous vehicle control systems in a simulation environments. Our methodology leverages a hierarchical forward-looking, risk-aware estimation framework with learned parameters to generate human-like driving trajectories, accommodating multiple driver levels determined by model parameters. This approach is grounded in multimodal trajectory prediction, using a deep neural network with LSTM-based social pooling to predict the trajectories of surrounding vehicles. These trajectories are used to compute forward-looking risk assessments along the ego vehicle’s path, guiding its navigation. Our method aims to replicate human driving behaviors by learning parameters that emulate human decision-making during driving. We ensure that our model exhibits robust generalization capabilities by conducting simulations, employing real-world driving data to validate the accuracy of our approach in modeling human behavior. The results reveal that our model effectively captures human behavior, showcasing its versatility in modeling human drivers in diverse highway scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google