Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks

要約

コネクテッド自動運転は、オクルージョンによる問題を軽減するなど、都市の交通効率を大幅に向上させる可能性があります。
協調的な行動計画を使用して、複数の車両の動作を共同で最適化できます。
しかし、自動交差点管理に対する既存のアプローチのほとんどは、完全に自動化された交通のみを考慮しています。
実際には、混合交通、つまり自動運転車両と人間運転車両による道路の同時使用が蔓延することになるでしょう。
本研究では、協調的なマルチエージェント計画のために強化学習とグラフベースのシーン表現を活用することを提案しています。
私たちは、このような機械学習手法が完全に自動化された交通に適用できることを示した以前の研究に基づいて構築しています。
シーン表現は混合交通向けに拡張されており、人間のドライバーの意図の不確実性が考慮されています。
シミュレーションベースの評価では、実世界のデータを使用して調整されたノイズプロセスを通じて測定の不確実性をモデル化します。
この論文では、混合トラフィック管理のベースラインである強化された先入れ先出し方式と比較して、提案された方法を評価します。
自動運転車両のシェアが増加するにつれて、学習されたプランナーは車両のスループットを大幅に向上させ、インタラクションによる遅延を削減します。
自動化されていない車両でもほぼ同様のメリットが得られます。

要約(オリジナル)

Connected automated driving has the potential to significantly improve urban traffic efficiency, e.g., by alleviating issues due to occlusion. Cooperative behavior planning can be employed to jointly optimize the motion of multiple vehicles. Most existing approaches to automatic intersection management, however, only consider fully automated traffic. In practice, mixed traffic, i.e., the simultaneous road usage by automated and human-driven vehicles, will be prevalent. The present work proposes to leverage reinforcement learning and a graph-based scene representation for cooperative multi-agent planning. We build upon our previous works that showed the applicability of such machine learning methods to fully automated traffic. The scene representation is extended for mixed traffic and considers uncertainty in the human drivers’ intentions. In the simulation-based evaluation, we model measurement uncertainties through noise processes that are tuned using real-world data. The paper evaluates the proposed method against an enhanced first in – first out scheme, our baseline for mixed traffic management. With increasing share of automated vehicles, the learned planner significantly increases the vehicle throughput and reduces the delay due to interaction. Non-automated vehicles benefit virtually alike.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google