Towards Safe and Robust Autonomous Vehicle Platooning: A Self-Organizing Cooperative Control Framework

要約

人間駆動車両 (HDV) と自動運転車両 (AV) が共存するハイブリッド交通環境では、AV 隊列走行のための安全かつ堅牢な意思決定を実現することが依然として複雑な課題です。
既存の隊列走行システムは、特に予測不可能な混合交通状況において、動的な隊列管理と適応性に苦戦することがよくあります。
これらのハイブリッド環境内で自律車両の隊列走行を強化するために、このホワイトペーパーでは、ツインワールドの安全性が強化されたデータ、モデル、知識のトリプル駆動の協力的意思決定フレームワークである TriCoD を紹介します。
このフレームワークは、深層強化学習 (DRL) とモデル駆動型アプローチを統合し、安全性を優先した双子世界演繹メカニズムを通じて動的な形成の解消と再構成を可能にします。
DRL コンポーネントは従来のモデル駆動方式を拡張し、特に緊急事態下での安全性と運用効率の両方を強化します。
さらに、適応スイッチング メカニズムにより、システムはリアルタイムのトラフィック需要に基づいてデータ駆動型戦略とモデル駆動型戦略の間でシームレスに移行できるため、意思決定能力と適応性が最適化されます。
シミュレーション実験とハードウェアインザループテストにより、提案されたフレームワークが安全性、堅牢性、柔軟性を大幅に向上させることが実証されました。
モデルの検証結果の詳細な説明は、\href{https://perfectxu88.github.io/towardssafeandrobust.github.io/}{Our Website} でご覧いただけます。

要約(オリジナル)

In hybrid traffic environments where human-driven vehicles (HDVs) and autonomous vehicles (AVs) coexist, achieving safe and robust decision-making for AV platooning remains a complex challenge. Existing platooning systems often struggle with dynamic formation management and adaptability, especially in unpredictable, mixed-traffic conditions. To enhance autonomous vehicle platooning within these hybrid environments, this paper presents TriCoD, a twin-world safety-enhanced Data-Model-Knowledge Triple-Driven Cooperative Decision-making Framework. This framework integrates deep reinforcement learning (DRL) with model-driven approaches, enabling dynamic formation dissolution and reconfiguration through a safety-prioritized twin-world deduction mechanism. The DRL component augments traditional model-driven methods, enhancing both safety and operational efficiency, especially under emergency conditions. Additionally, an adaptive switching mechanism allows the system to seamlessly shift between data-driven and model-driven strategies based on real-time traffic demands, thereby optimizing decision-making ability and adaptability. Simulation experiments and hardware-in-the-loop tests demonstrate that the proposed framework significantly improves safety, robustness, and flexibility. A detailed account of the validation results for the model can be found in \href{https://perfectxu88.github.io/towardssafeandrobust.github.io/}{Our Website}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google