[論文レビュー] A Learning-based Discretionary Lane-Change Decision-Making Model with Driving Style Awareness

Yifan Zhang, Qian Xu+4 more|arXiv (Cornell University)|Oct 19, 2020

Autonomous Vehicle Technology and Safety参考文献 18被引用数 9

ひとこと要約

本論文では、自車両および周辺車両のドライブスタイルを統合することで、人間らしい変則的車線変更意思決定を可能にする学習ベースの任意車線変更意思決定モデルを提案する。実世界の軌跡データを活用した深層学習により、モデルは人間ドライバーの意思決定を98.66%の正確さで予測可能であり、後続車両への悪影響を低減することで、交通の安全性と効率性が向上することを示している。

ABSTRACT

Discretionary lane change (DLC) is a basic but complex maneuver in driving, which aims at reaching a faster speed or better driving conditions, e.g., further line of sight or better ride quality. Although many DLC decision-making models have been studied in traffic engineering and autonomous driving, the impact of human factors, which is an integral part of current and future traffic flow, is largely ignored in the existing literature. In autonomous driving, the ignorance of human factors of surrounding vehicles will lead to poor interaction between the ego vehicle and the surrounding vehicles, thus, a high risk of accidents. The human factors are also a crucial part to simulate a human-like traffic flow in the traffic engineering area. In this paper, we integrate the human factors that are represented by driving styles to design a new DLC decision-making model. Specifically, our proposed model takes not only the contextual traffic information but also the driving styles of surrounding vehicles into consideration and makes lane-change/keep decisions. Moreover, the model can imitate human drivers' decision-making maneuvers to the greatest extent by learning the driving style of the ego vehicle. Our evaluation results show that the proposed model almost follows the human decision-making maneuvers, which can achieve 98.66% prediction accuracy with respect to human drivers' decisions against the ground truth. Besides, the lane-change impact analysis results demonstrate that our model even performs better than human drivers in terms of improving the safety and speed of traffic.

研究の動機と目的

• 既存の任意車線変更（DLC）意思決定モデルにおいて人間要因の統合が不足していること、特に周辺車両のドライブスタイルがその要因であることを是正すること。
• 混在交通環境における自動運転車両と人間運転車両の間の相互作用の安全性と効率性を向上させること。
• 実際の運転行動から学び、個々のドライブスタイルに適応可能な人間らしいDLC意思決定モデルの開発。
• 事前指定されたターゲットレーンに依存せずに、任意車線変更と義務的車線変更を区別すること。
• 時間到着衝突（TTC）および速度変化率という指標を用いて、周辺車両への車線変更の安全性と効率性への影響を評価すること。

提案手法

• モデルは、相対的位置、速度、ギャップなどの文脈的交通特徴を組み込んだ、実世界の軌跡データから学習するための深層ニューラルネットワークを用いる。
• 自車両および周辺車両のドライブスタイルは、潜在的埋め込みとして符号化され、意思決定プロセスに統合され、ドライバーの性格や行動傾向をモデル化する。
• モデルは、実際の交通状況下での自然な運転行動を捉えたhighDデータセット上でエンドツーエンドに訓練される。
• マルチタスク学習フレームワークを採用し、TTCおよび速度変化率を用いて、車線変更意思決定と後続車両への安全性への影響を同時に予測する。
• 文脈と意図を分析することで、任意車線変更と義務的車線変更を区別し、事前割り当てされたターゲットレーンに依存しない。
• 意思決定プロセスは、歴史的な交通状態とドライブスタイルプロファイルに条件付けられた一連の行動としてモデル化され、適応的かつ文脈に応じた行動を可能にする。

実験結果

リサーチクエスチョン

• RQ1 周辺車両のドライブスタイルを、DLC意思決定システムに効果的にモデル化し統合することで、相互作用の安全性をどのように向上させられるか？
• RQ2 自車両のドライブスタイルを組み込むことで、学習ベースのモデルがどれほど人間らしい車線変更意思決定を再現できるか？
• RQ3 提案されたモデルは、人間ドライバーと比較して、過度な減速や衝突リスクといった負の交通影響を低減するか？
• RQ4 モデルは、ターゲットレーンの後続車両への悪影響を最小限に抑えることで、全体の交通効率と安全性を向上させられるか？
• RQ5 意思決定の正確さと安全性への影響という観点から、モデルの性能は人間ドライバーと比較してどの程度優れているか？

主な発見

• 提案されたDSA-DLCモデルは、人間ドライバーの意思決定に対して98.66%の予測正確さを達成し、人間の行動と強い整合性を示している。
• 安全性への影響に関しては、誤検出（偽陽性）の車線変更予測の41.41%が後続車両に悪影響を及ぼしたが、真陰性の場合は31.37%であったため、モデルがリスクを低減するように学習していることが示された。
• モデルは交通への悪影響を低減している：ターゲットレーンの後続車両のうち、モデルが車線維持を予測したが実際には車線変更が発生した場合、速度変化率が-3%未満となった割合は21.93%であったが、予測と実行が両方とも車線変更の場合は17.37%であった。
• TTC分析および速度変化率の比較により、不要な減速を最小限に抑え、より安全な車間距離を維持することで、モデルは交通効率を向上させている。
• 特にターゲットレーンの後続車両との有害な相互作用を低減する点で、モデルは人間ドライバーを上回る安全性と速度性能を示している。
• ドライブスタイルの統合は意思決定の質を著しく向上させ、モデルが周辺車両の行動をよりよく予測・対応できるようにしている。