A Two-Level Stochastic Model for the Lateral Movement of Vehicles Within Their Lane Under Homogeneous Traffic Conditions

要約

車線内の車両の横位置は、車両センサーの視野範囲の決定的な要素です。
これは、車両が周囲の環境を認識し、収集した情報を処理することで高度な状況認識を得る能力にとって非常に重要です。
車両の自動運転レベルの向上を目指す場合、この状況認識がますます重要になります。
したがって、自動運転機能を検証するときは、横方向のオフセットなどの極微視的な動作の代表性を保証する必要があります。
シミュレーションは自動運転機能の検証に不可欠な部分であり、これらの現象を記述するモデルが必要です。
考えられる応用例としては、微視的な交通シミュレーションの強化や、シナリオベースのテストのための操縦ベースのアプローチなどがあります。
この論文では、均質な交通状況下での道路追従操作中の車線内の車両の横方向の動きをモデル化するための 2 レベルの確率論的アプローチを紹介します。
マルコフ モデルは、粗い横方向オフセット プロファイルを生成します。
細かい動きにはノイズモデルを重畳します。
どちらのモデルも実世界のデータを使用して設定されています。
モデルの評価では、有望な定性的および定量的な結果、機能強化の可能性、および極度に低い計算時間 (リアルタイムより 10,000 倍高速) が示されています。

要約(オリジナル)

The lateral position of vehicles within their lane is a decisive factor for the range of vision of vehicle sensors. This, in turn, is crucial for a vehicle’s ability to perceive its environment and gain a high situational awareness by processing the collected information. When aiming for increasing levels of vehicle autonomy, this situational awareness becomes more and more important. Thus, when validating an autonomous driving function the representativeness of the submicroscopic behavior such as the lateral offset has to be ensured. With simulations being an essential part of the validation of autonomous driving functions, models describing these phenomena are required. Possible applications are the enhancement of microscopic traffic simulations and the maneuver-based approach for scenario-based testing. This paper presents a two-level stochastic approach to model the lateral movement of vehicles within their lane during road-following maneuvers under homogeneous traffic conditions. A Markov model generates the coarse lateral offset profile. It is superposed with a noise model for the fine movements. Both models are set up using real-world data. The evaluation of the model shows promising qualitative and quantitative results, the potential for enhancements and extreme low computation times (10000 times faster than real time).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google