Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions

要約

自律運転技術の出現以来、過去10年間で急速に進歩しています。
自動運転車（AV）が道路上の人間駆動車（HV）とすぐに共存する可能性がますます増えています。
現在、特にAVSが車線の変更をナビゲートし、周囲のHVとの対話をしている場合、安全性と信頼できる意思決定は依然として重要な課題です。
したがって、周囲のHVの意図の正確な推定は、AVSがより信頼性が高く安全な車線変更の意思決定を行うのに役立ちます。
これには、現在の行動を理解するだけでなく、直接的なコミュニケーションなしで将来の動きを予測することも含まれます。
ただし、周囲のHVの合格と降伏の意図を区別することは依然としてあいまいです。
課題に対処するために、Deep Renforcement Learning（DRL）アルゴリズムを採用した意思決定フレームワークと相まって、指示された非環式グラフ（DAG）に根ざした社会的意図推定アルゴリズムを提案します。
メソッドのパフォーマンスを評価するために、提案されたフレームワークを、シミュレートされた環境内の車線変更シナリオでテストおよび適用できます。
さらに、実験結果は、私たちのアプローチがAVSが道路で安全かつ効率的にレーンの変化をナビゲートする能力をどのように強化するかを示しています。

要約(オリジナル)

Since the emergence of autonomous driving technology, it has advanced rapidly over the past decade. It is becoming increasingly likely that autonomous vehicles (AVs) would soon coexist with human-driven vehicles (HVs) on the roads. Currently, safety and reliable decision-making remain significant challenges, particularly when AVs are navigating lane changes and interacting with surrounding HVs. Therefore, precise estimation of the intentions of surrounding HVs can assist AVs in making more reliable and safe lane change decision-making. This involves not only understanding their current behaviors but also predicting their future motions without any direct communication. However, distinguishing between the passing and yielding intentions of surrounding HVs still remains ambiguous. To address the challenge, we propose a social intention estimation algorithm rooted in Directed Acyclic Graph (DAG), coupled with a decision-making framework employing Deep Reinforcement Learning (DRL) algorithms. To evaluate the method’s performance, the proposed framework can be tested and applied in a lane-changing scenario within a simulated environment. Furthermore, the experiment results demonstrate how our approach enhances the ability of AVs to navigate lane changes safely and efficiently on roads.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google