要約
コネクテッド自動運転は、高速道路や都市部での交通効率と安全性の大幅な向上を約束します。
信号のない交差点での協調的な操縦計画は、接続された自動運転車の積極的な誘導を容易にする可能性があります。
これまでのこのような取り組みでは、ほとんどが単純なルールベースまたは最適化ベースのアプローチが採用されており、多くの場合、完全自動運転車やシミュレートされた環境でのみ使用されていました。
この記事では、以前に導入したアプローチを拡張して評価します。これは、対照的に、自動運転車両と人間が運転する通常の車両が道路を共有する混合交通に対応できます。
これらはそれぞれ、マルチシナリオ予測とグラフベースの強化学習に基づいています。
文献で初めて、最先端の人間ドライバー モデルと現実世界の自動化ソフトウェアを使用して、完全に自動化された交通と混合交通を使用した高忠実度のシミュレーションで、協力的なプランナーを徹底的に評価しました。
さらに、当社は公共交通機関における 3 台のプロトタイプ自動運転車両によるそれぞれの実世界での評価を初めて発表し、シミュレーション結果を裏付けています。
私たちの定量的評価では、自動運転車両が少数しかない現実的な環境においても、協力的な操縦計画により横断時間と停止回数の大幅な削減が達成されることが示されています。
要約(オリジナル)
Connected automated driving promises a significant improvement of traffic efficiency and safety on highways and in urban areas. Cooperative maneuver planning at unsignalized intersections may facilitate active guidance of connected automated vehicles. Previous such works mostly employ simple rule-based or optimization-based approaches, often only for fully automated vehicles and only in simulated environments. In this article, we extend and evaluate our previously introduced approaches, which — in contrast — are capable of handling mixed traffic, i.e., automated vehicles and regular vehicles driven by humans sharing the road. They are based on a multi-scenario prediction and on graph-based reinforcement learning, respectively. For the first time in literature, we thoroughly evaluate cooperative planners in a high-fidelity simulation with fully automated traffic and mixed traffic using state-of-the-art human driver models and real-world automation software. In addition, we are the first to present respective real-world evaluations with three prototype automated vehicles in public traffic, which confirm the simulative results. Our quantitative evaluations show that cooperative maneuver planning achieves a significant reduction of crossing times and the number of stops even in a realistic environment with only few automated vehicles.
arxiv情報
著者 | Marvin Klimke,Max Bastian Mertens,Benjamin Völz,Michael Buchholz |
発行日 | 2024-10-28 16:31:13+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google