Knowledge-data fusion dominated vehicle platoon dynamics modeling and analysis: A physics-encoded deep learning approach

要約

最近、人工知能（AI）対応の非線形車両小隊のダイナミクスモデリングは、車両間の相互作用を予測および最適化する上で重要な役割を果たします。
既存の取り組みには、小隊スケールでの車両行動の相互作用機能の抽出とキャプチャがありません。
さらに重要なことは、物理的な分析可能性を失うことなく高いモデリング精度を維持することは解決されていないことです。
この目的のために、このペーパーでは、非線形車両小隊のダイナミクスをモデル化するために、Pemtflnという名前の新しい物理学がエンコードされたディープラーニングネットワークを提案しています。
具体的には、分析可能なパラメーターエンコードされた計算グラフ（APECG）は、局所的な安定性を確保しながら、鉛車の運転行動に応答するように小隊を導くように設計されています。
その上、マルチスケールの軌跡機能学習ネットワーク（MTFLN）が構築され、小隊に続いて小隊をキャプチャし、軌道データからAPECGに必要な物理パラメーターを推測します。
ヒト駆動型の車両軌道データセット（HighSIM）を使用して、提案されたPEMTFLNを訓練しました。
軌跡予測実験は、PEMTFLNが速度とギャップの予測精度の観点からベースラインモデルと比較して優れていることを示しています。
安定性分析の結果は、APECGの物理パラメーターが現実世界の状態で小隊の安定性を再現できることを示しています。
シミュレーション実験では、PEMTFLNは小隊の軌道生成で低推論誤差を実行します。
さらに、PEMTFLNはまた、地下の真実の安全統計を正確に再現します。
提案されたPEMTFLNのコードはオープンソースです。

要約(オリジナル)

Recently, artificial intelligence (AI)-enabled nonlinear vehicle platoon dynamics modeling plays a crucial role in predicting and optimizing the interactions between vehicles. Existing efforts lack the extraction and capture of vehicle behavior interaction features at the platoon scale. More importantly, maintaining high modeling accuracy without losing physical analyzability remains to be solved. To this end, this paper proposes a novel physics-encoded deep learning network, named PeMTFLN, to model the nonlinear vehicle platoon dynamics. Specifically, an analyzable parameters encoded computational graph (APeCG) is designed to guide the platoon to respond to the driving behavior of the lead vehicle while ensuring local stability. Besides, a multi-scale trajectory feature learning network (MTFLN) is constructed to capture platoon following patterns and infer the physical parameters required for APeCG from trajectory data. The human-driven vehicle trajectory datasets (HIGHSIM) were used to train the proposed PeMTFLN. The trajectories prediction experiments show that PeMTFLN exhibits superior compared to the baseline models in terms of predictive accuracy in speed and gap. The stability analysis result shows that the physical parameters in APeCG is able to reproduce the platoon stability in real-world condition. In simulation experiments, PeMTFLN performs low inference error in platoon trajectories generation. Moreover, PeMTFLN also accurately reproduces ground-truth safety statistics. The code of proposed PeMTFLN is open source.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google