Learning Driver Models for Automated Vehicles via Knowledge Sharing and Personalization

要約

この論文では、車両間の知識共有とパーソナライゼーションを通じて自動運転車 (AV) ドライバー モデルを学習するためのフレームワークについて説明します。
輸送システムには固有の変動性があるため、実証実験やテスト中に AV をあらゆる可能な運転シナリオにさらすことが非常に困難になります。
その結果、AV は安全かつ効率的な操作に有害と考えられる特定の遭遇を認識できない可能性があります。
したがって、現実世界で発生する運転シナリオへの露出を増やすために、AV 全体で知識を共有することが重要です。
この論文では、車両固有の条件と特性に合わせてカスタマイズされたモデルを維持しながら、車両間で知識を共有し、力を借りることによって、ドライバー モデルを共同でトレーニングする方法を検討します。
私たちのモデルは、複数の車両間で生データを共有する必要性を回避しながら、複数の車両間で連携するための連合学習アプローチをもたらします。
実験シミュレーションで私たちの方法のパフォーマンスを紹介します。
このような学習アプローチは、インテリジェント交通システム、交通管理、車車間通信など、交通工学全般に応用できます。
コードとサンプル データセットは、プロジェクト ページ https://github.com/wissamkontar で入手できます。

要約(オリジナル)

This paper describes a framework for learning Automated Vehicles (AVs) driver models via knowledge sharing between vehicles and personalization. The innate variability in the transportation system makes it exceptionally challenging to expose AVs to all possible driving scenarios during empirical experimentation or testing. Consequently, AVs could be blind to certain encounters that are deemed detrimental to their safe and efficient operation. It is then critical to share knowledge across AVs that increase exposure to driving scenarios occurring in the real world. This paper explores a method to collaboratively train a driver model by sharing knowledge and borrowing strength across vehicles while retaining a personalized model tailored to the vehicle’s unique conditions and properties. Our model brings a federated learning approach to collaborate between multiple vehicles while circumventing the need to share raw data between them. We showcase our method’s performance in experimental simulations. Such an approach to learning finds several applications across transportation engineering including intelligent transportation systems, traffic management, and vehicle-to-vehicle communication. Code and sample dataset are made available at the project page https://github.com/wissamkontar.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google