LMMCoDrive: Cooperative Driving with Large Multimodal Model

要約

自律モビリティ・オン・デマンド (AMoD) システムにおける分散型協調スケジューリングと動作計画の複雑な課題に対処するために、この論文では、動的な都市における交通効率を向上させるために大規模マルチモーダル モデル (LMM) を活用する新しい協調運転フレームワークである LMMCoDrive を紹介します。
環境。
このフレームワークは、スケジューリングと動作計画のプロセスをシームレスに統合し、協調型自律走行車 (CAV) の効果的な運用を保証します。
CAV と乗客リクエストの間の空間関係は、LMM の可能性を最大限に活用するために鳥瞰図 (BEV) に抽象化されます。
さらに、安全上の制約を通じて衝突を確実に回避しながら、各 CAV の軌道は慎重に調整されます。
LMM フレームワーク内の乗算器の交互方向法 (ADMM) によって促進される分散型最適化戦略が、CAV のグラフ進化を推進するために提案されています。
シミュレーション結果は、CAV スケジューリングの最適化と各車両の分散型協調最適化プロセスの強化における LMM の極めて重要な役割と重大な影響を示しています。
これは、都市交通に革命を起こす準備ができている、実用的で効率的かつ安全な AMoD システムの実現に向けた大きな進歩を示しています。
コードは https://github.com/henryhcliu/LMMCoDrive で入手できます。

要約(オリジナル)

To address the intricate challenges of decentralized cooperative scheduling and motion planning in Autonomous Mobility-on-Demand (AMoD) systems, this paper introduces LMMCoDrive, a novel cooperative driving framework that leverages a Large Multimodal Model (LMM) to enhance traffic efficiency in dynamic urban environments. This framework seamlessly integrates scheduling and motion planning processes to ensure the effective operation of Cooperative Autonomous Vehicles (CAVs). The spatial relationship between CAVs and passenger requests is abstracted into a Bird’s-Eye View (BEV) to fully exploit the potential of the LMM. Besides, trajectories are cautiously refined for each CAV while ensuring collision avoidance through safety constraints. A decentralized optimization strategy, facilitated by the Alternating Direction Method of Multipliers (ADMM) within the LMM framework, is proposed to drive the graph evolution of CAVs. Simulation results demonstrate the pivotal role and significant impact of LMM in optimizing CAV scheduling and enhancing decentralized cooperative optimization process for each vehicle. This marks a substantial stride towards achieving practical, efficient, and safe AMoD systems that are poised to revolutionize urban transportation. The code is available at https://github.com/henryhcliu/LMMCoDrive.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google