An Extended Horizon Tactical Decision-Making for Automated Driving Based on Monte Carlo Tree Search

要約

このペーパーでは、COR-MCTS（リソースの保全-MonteCarlo Tree Search）を紹介します。これは、拡張された視野を超える操作計画に焦点を当てた自動運転のための新しい戦術的な意思決定アプローチです。
従来の意思決定アルゴリズムは、特定のダイナミックドライビングシナリオでの適応性を制限する学習ベースの方法では、通常、固定計画の視野によって制約されます。
ただし、安全で効率的な操作を確保するために、高速道路、ラウンドアバウト、出口などの環境で事前に計画を立てる必要があります。
この課題に対処するために、モンテカルロツリー検索（MCT）と以前のユーティリティベースのフレームワークであるCOR-MP（操作計画のためのリソースモデルの保全モデル）を統合するハイブリッドメソッドを提案します。
この組み合わせにより、長期的なリアルタイムの意思決定が可能になり、拡張された視野を超えて一連の操作を計画する能力が大幅に向上します。
多様な運転シナリオ全体のシミュレーションを通じて、COR-MCTが拡張された視野にわたって計画の堅牢性と決定効率を効果的に改善することを実証します。

要約(オリジナル)

This paper introduces COR-MCTS (Conservation of Resources – Monte Carlo Tree Search), a novel tactical decision-making approach for automated driving focusing on maneuver planning over extended horizons. Traditional decision-making algorithms are often constrained by fixed planning horizons, typically up to 6 seconds for classical approaches and 3 seconds for learning-based methods limiting their adaptability in particular dynamic driving scenarios. However, planning must be done well in advance in environments such as highways, roundabouts, and exits to ensure safe and efficient maneuvers. To address this challenge, we propose a hybrid method integrating Monte Carlo Tree Search (MCTS) with our prior utility-based framework, COR-MP (Conservation of Resources Model for Maneuver Planning). This combination enables long-term, real-time decision-making, significantly enhancing the ability to plan a sequence of maneuvers over extended horizons. Through simulations across diverse driving scenarios, we demonstrate that COR-MCTS effectively improves planning robustness and decision efficiency over extended horizons.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google