Human-Like Autonomous Driving on Dense Traffic

要約

この論文では、人間のドライバーの運転行動を模倣することにより、高速道路交通での自動運転のための模倣学習モデルを提案します。
この研究では、複雑かつ高次元で車両バリエーションが多様な HighD 交通データセットを利用しています。
模倣学習は、高速道路の自動運転に代わるソリューションであり、強化学習と比較して、困難なタスクを学習する際のサンプルの複雑さを軽減します。
ただし、模倣学習には、目に見えない状態での複合エラーに対する脆弱性、一般化が不十分、異常値のドライバー プロファイルを予測できないなどの制限があります。
これらの問題に対処するために、この論文では、入力と出力の間の複雑で非線形の関係を管理し、車両の動作についてより多くの情報に基づいた意思決定を行うための混合密度ネットワーク動作クローニング モデルを提案しています。
追加の改善は、GAIL モデルに基づく衝突ペナルティを使用することです。
この論文には、実際の交通シナリオに基づいて提案された方法の有効性を実証するための模擬運転テストが含まれており、自動運転に対する潜在的な影響についての結論が示されています。

要約(オリジナル)

This paper proposes a imitation learning model for autonomous driving on highway traffic by mimicking human drivers’ driving behaviours. The study utilizes the HighD traffic dataset, which is complex, high-dimensional, and diverse in vehicle variations. Imitation learning is an alternative solution to autonomous highway driving that reduces the sample complexity of learning a challenging task compared to reinforcement learning. However, imitation learning has limitations such as vulnerability to compounding errors in unseen states, poor generalization, and inability to predict outlier driver profiles. To address these issues, the paper proposes mixture density network behaviour cloning model to manage complex and non-linear relationships between inputs and outputs and make more informed decisions about the vehicle’s actions. Additional improvement is using collision penalty based on the GAIL model. The paper includes a simulated driving test to demonstrate the effectiveness of the proposed method based on real traffic scenarios and provides conclusions on its potential impact on autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google