Multi-agent Path Finding for Mixed Autonomy Traffic Coordination

要約

進化する都市モビリティの状況において、コネクテッド自動運転車 (CAV) と人間駆動車 (HDV) の将来的な統合は、自動運転システムに複雑な課題と機会をもたらします。
最近のロボット工学の進歩により、簡略化された運動学とエージェントの動作の完全な制御を特徴とするエージェント調整タスクに合わせて調整されたマルチエージェント パス検索 (MAPF) アルゴリズムが生み出されましたが、これらのソリューションは、制御不能な HDV が共存して CAV と対話する必要がある混合トラフィック環境には適用できません。
。
このギャップに対処するために、私たちは行動予測運動学的優先順位ベース検索 (BK-PBS) を提案します。これは、オフラインでトレーニングされた条件付き予測モデルを活用して CAV 操作に対する HDV 応答を予測し、これらの洞察を優先順位ベース検索 (PBS) に統合します。
* 運動学的制約に対応するために、モーション プリミティブを検索します。
BK-PBS を、ルールベースの車両追従モデルおよび強化学習によって導出された CAV 計画アルゴリズムと比較します。
CAV の普及率と交通密度のさまざまなシナリオにわたる高速道路の合流シナリオに関する包括的なシミュレーションを通じて、BK-PBS は衝突率を低減し、システム レベルの移動遅延を改善するという点でこれらのベースラインを上回りました。
私たちの研究は、複数の人間と複数のロボットが協調する多くのシナリオに直接適用できます。

要約(オリジナル)

In the evolving landscape of urban mobility, the prospective integration of Connected and Automated Vehicles (CAVs) with Human-Driven Vehicles (HDVs) presents a complex array of challenges and opportunities for autonomous driving systems. While recent advancements in robotics have yielded Multi-Agent Path Finding (MAPF) algorithms tailored for agent coordination task characterized by simplified kinematics and complete control over agent behaviors, these solutions are inapplicable in mixed-traffic environments where uncontrollable HDVs must coexist and interact with CAVs. Addressing this gap, we propose the Behavior Prediction Kinematic Priority Based Search (BK-PBS), which leverages an offline-trained conditional prediction model to forecast HDV responses to CAV maneuvers, integrating these insights into a Priority Based Search (PBS) where the A* search proceeds over motion primitives to accommodate kinematic constraints. We compare BK-PBS with CAV planning algorithms derived by rule-based car-following models, and reinforcement learning. Through comprehensive simulation on a highway merging scenario across diverse scenarios of CAV penetration rate and traffic density, BK-PBS outperforms these baselines in reducing collision rates and enhancing system-level travel delay. Our work is directly applicable to many scenarios of multi-human multi-robot coordination.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google