Learning-based Autonomous Oversteer Control and Collision Avoidance

要約

車両の後部タイヤが牽引力を失い、意図しない過度のヨーを誘発するオーバーステアは、重大な安全上の課題をもたらします。
オーバーステアの制御に失敗すると、多くの場合、深刻な交通事故につながります。
最近の自律的な運転努力は、安定化の操作を通じてオーバーステアを処理しようとしましたが、大半は専門家定義の軌跡に依存しているか、障害物のない環境を想定し、現実世界の適用性を制限しています。
このペーパーでは、オーバーステアコントロールと衝突回避に同時に取り組む新しいエンドツーエンド（E2E）自律運転アプローチを紹介します。
模倣学習（IL）、強化学習（RL）、およびハイブリッド学習（HL）を含む既存のE2E技術には、一般にほぼ最適なデモまたは豊富な経験が必要です。
しかし、熟練した人間のドライバーでさえ、オーバーステアの下で完璧なデモンストレーションを提供するのに苦労しており、高い遷移分散は十分なデータの蓄積を妨げます。
したがって、Q-Optimalデモンストレーションデータから効果的に学習し、新しい条件に迅速に適応する新しいHLアルゴリズムであるQ-Compared Soft Actor-Critic（QC-SAC）を提示します。
QC-SACを評価するために、現実世界のドライバートレーニングに触発されたベンチマークを紹介します。車両は滑りやすい表面で突然のオーバーステアに遭遇し、ランダムに配置された障害物を先に避けなければなりません。
実験結果は、QC-SACが最適な運転ポリシーを達成し、最先端のIL、RL、およびHLベースラインを大幅に上回っていることを示しています。
私たちの方法は、障害物回避を伴う世界初の安全な自律的なオーバーステア制御を示しています。

要約(オリジナル)

Oversteer, wherein a vehicle’s rear tires lose traction and induce unintentional excessive yaw, poses critical safety challenges. Failing to control oversteer often leads to severe traffic accidents. Although recent autonomous driving efforts have attempted to handle oversteer through stabilizing maneuvers, the majority rely on expert-defined trajectories or assume obstacle-free environments, limiting real-world applicability. This paper introduces a novel end-to-end (E2E) autonomous driving approach that tackles oversteer control and collision avoidance simultaneously. Existing E2E techniques, including Imitation Learning (IL), Reinforcement Learning (RL), and Hybrid Learning (HL), generally require near-optimal demonstrations or extensive experience. Yet even skilled human drivers struggle to provide perfect demonstrations under oversteer, and high transition variance hinders accumulating sufficient data. Hence, we present Q-Compared Soft Actor-Critic (QC-SAC), a new HL algorithm that effectively learns from suboptimal demonstration data and adapts rapidly to new conditions. To evaluate QC-SAC, we introduce a benchmark inspired by real-world driver training: a vehicle encounters sudden oversteer on a slippery surface and must avoid randomly placed obstacles ahead. Experimental results show QC-SAC attains near-optimal driving policies, significantly surpassing state-of-the-art IL, RL, and HL baselines. Our method demonstrates the world’s first safe autonomous oversteer control with obstacle avoidance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google