Traffic-Aware Autonomous Driving with Differentiable Traffic Simulation

要約

自律走行制御や交通シミュレーションは進歩していますが、ディープラーニングとの融合を模索した作品はほとんどありません。両分野の研究は、全く異なる排他的な問題に焦点を当てているように見えるが、交通と運転は現実世界において本質的に関連している。本論文では、より速い交通流とより低いエネルギー消費のために直接最適化する、交通情報に基づく模倣学習のための一般化可能な蒸留式手法であるTraffic-Aware Autonomous Driving (TrAAD)を発表する。TrAADは、ほとんどの運転研究が知覚とステアリングに焦点を当てているため、模倣学習システムにおける速度制御の監督に焦点を当てている。さらに、本手法は、交通シミュレータとドライビングシミュレータの共同シミュレーションの欠如に対処し、将来的に交通シミュレーションを自律走行に直接関与させるための基礎を提供します。その結果、交通シミュレーションからの情報が模倣学習手法の監督に関与することで、自律走行車は、交通の流れや近隣の車両全体のエネルギー消費に有益な方法で加速する方法を学習できることが示されました。

要約(オリジナル)

While there have been advancements in autonomous driving control and traffic simulation, there have been little to no works exploring their unification with deep learning. Works in both areas seem to focus on entirely different exclusive problems, yet traffic and driving are inherently related in the real world. In this paper, we present Traffic-Aware Autonomous Driving (TrAAD), a generalizable distillation-style method for traffic-informed imitation learning that directly optimizes for faster traffic flow and lower energy consumption. TrAAD focuses on the supervision of speed control in imitation learning systems, as most driving research focuses on perception and steering. Moreover, our method addresses the lack of co-simulation between traffic and driving simulators and provides a basis for directly involving traffic simulation with autonomous driving in future work. Our results show that, with information from traffic simulation involved in the supervision of imitation learning methods, an autonomous vehicle can learn how to accelerate in a fashion that is beneficial for traffic flow and overall energy consumption for all nearby vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL