Generalizing Cooperative Eco-driving via Multi-residual Task Learning

要約

モデルベース制御などの従来の制御は、その効率性と信頼性により自動運転に広く利用されています。
しかし、現実世界の自動運転は、これらの計画アルゴリズムにとって困難な多数の多様な交通シナリオに対処します。
モデルフリーの深層強化学習 (DRL) は、この方向に有望な手段を提供しますが、複数のトラフィック シナリオに一般化する DRL 制御ポリシーを学習することは依然として課題です。
これに対処するために、マルチタスク学習に基づく汎用学習フレームワークであるマルチ残差タスク学習 (MRTL) を導入します。これは、一連のタスク シナリオについて、制御を従来の制御方法と残差によって効果的に解決される公称コンポーネントに分解します。
学習を使用して解決される用語。
当社では、自動運転車をシステム制御手段として使用し、混合交通における車両レベルの排出量削減に MRTL を採用しています。
約 600 か所の信号交差点と 1,200 の交通シナリオにわたる MRTL のパフォーマンスを分析することにより、汎用化可能な制御における DRL と従来の方法の長所を相乗させる有望なアプローチとして MRTL が浮上することを実証しました。

要約(オリジナル)

Conventional control, such as model-based control, is commonly utilized in autonomous driving due to its efficiency and reliability. However, real-world autonomous driving contends with a multitude of diverse traffic scenarios that are challenging for these planning algorithms. Model-free Deep Reinforcement Learning (DRL) presents a promising avenue in this direction, but learning DRL control policies that generalize to multiple traffic scenarios is still a challenge. To address this, we introduce Multi-residual Task Learning (MRTL), a generic learning framework based on multi-task learning that, for a set of task scenarios, decomposes the control into nominal components that are effectively solved by conventional control methods and residual terms which are solved using learning. We employ MRTL for fleet-level emission reduction in mixed traffic using autonomous vehicles as a means of system control. By analyzing the performance of MRTL across nearly 600 signalized intersections and 1200 traffic scenarios, we demonstrate that it emerges as a promising approach to synergize the strengths of DRL and conventional methods in generalizable control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google