An Autonomous Driving model with BEV-V2X Perception, Trajectory Prediction and Driving Planning in Complex Traffic Intersections

要約

Vehicle-to-Everything (V2X) 認識の包括性により、グローバルな Birds-Eye-View (BEV) 認識が強化され、総合的に形成され、豊富なセマンティクスが組み込まれ、運転シーン情報が統合され、それによって軌道予測、意思決定、運転計画の機能が提供されます。
。
V2X メッセージ セットを利用して BEV フォーマットを形成することは、コネクテッド自動運転車 (CAV) にとって効果的な認識方法であることが証明されています。
具体的には、MAP、SPAT、RSI データは、道路接続、同期した信号ナビゲーション、障害物警告の実現に貢献します。
さらに、複数の車両からの時系列 BSM 情報を使用することで、現在の状態の認識と将来の軌道の予測が可能になります。
したがって、この論文では、BEV-V2X 知覚、相互作用複数モデル無香料カルマン フィルター (IMM-UKF) ベースの軌道予測、および深層強化学習 (DRL) ベースの意思決定と計画に依存する包括的な自動運転モデル​​を開発します。
当社は、障害物回避、車線変更、追い越し、方向転換操作、同期信号ナビゲーションを含む最適な運転行動の統一セットを策定するための報酬形成手法を備えた DRL 環境を確立します。
その結果、複雑な交差点シナリオがシミュレーションされ、よく訓練されたモデルが運転制御に適用されました。
観察された運転行動は経験豊富なドライバーの運転行動に非常に似ており、予測的な行動を示し、運転方針の顕著な運用上のハイライトを明らかにしました。

要約(オリジナル)

The comprehensiveness of vehicle-to-everything (V2X) recognition enriches and holistically shapes the global Birds-Eye-View (BEV) perception, incorporating rich semantics and integrating driving scene information, thereby serving features of trajectory prediction, decision-making and driving planning. Utilizing V2X message sets to form BEV format proves to be an effective perception method for connected and automated vehicles (CAVs). Specifically, MAP, SPAT and RSI data contributes to the achievement of road connectivity, synchronized traffic signal navigation and obstacle warning. Moreover, using time-sequential BSMs information from multiple vehicles allows for the perception of current state and the prediction of future trajectories. Therefore, this paper develops a comprehensive autonomous driving model that relies on BEV-V2X perception, Interacting Multiple model Unscented Kalman Filter (IMM-UKF)-based trajectory prediction, and deep reinforcement learning (DRL)-based decision making and planing. We establish a DRL environment with reward-shaping methods to formulate a unified set of optimal driving behaviors that encompass obstacle avoidance, lane changes, overtaking, turning maneuver, and synchronized traffic signal navigation. Consequently, a complex traffic intersection scenario was simulated, and the well-trained model was applied for driving control. The observed driving behavior closely resembled that of an experienced driver, exhibiting anticipatory actions and revealing notable operational highlights of driving policy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google