[論文レビュー] Adaptive Game-Theoretic Decision Making for Autonomous Vehicle Control at Roundabouts

Ran Tian, Sisi Li+4 more|arXiv (Cornell University)|Oct 1, 2018

Traffic control and management参考文献 9被引用数 11

ひとこと要約

本稿では、交差点における自律走行車両のための適応的ゲーム理論的意思決定アルゴリズムを提案する。エゴ車両と相手ドライバーの相互作用を、動的ドライバー型推定フレームワークを用いてモデル化する。コントローラはオンラインの信念更新と関数近似を用い、リアルタイムで安全かつ効率的なナビゲーションを実現し、シミュレーションでは93.4%の成功率、人間ドライバーを含むシナリオでは88.6%の成功率を達成した。

ABSTRACT

In this paper, we propose a decision making algorithm for autonomous vehicle control at a roundabout intersection. The algorithm is based on a game-theoretic model representing the interactions between the ego vehicle and an opponent vehicle, and adapts to an online estimated driver type of the opponent vehicle. Simulation results are reported.

研究の動機と目的

• 自律走行車両が他のドライバーとの戦略的相互作用を考慮しつつ、交差点を安全かつ効率的に通過できる意思決定フレームワークの開発。
• ドライバー行動の違い（慎重型・攻撃的型など）を捉えるゲーム理論的アプローチを用いて、車両間の相互作用をモデル化すること。
• 観察された行動に基づくベイズ推定を用いて、相手ドライバーのタイプをオンラインで推定することで、リアルタイムでの適応を可能にすること。
• 複雑な最適化問題を実行時に行わずに、関数近似を用いてコントローラを効率的に実装すること。
• シミュレーションおよび人間を含むフィードバックループのシナリオにおいて、コントローラの性能を検証すること。

提案手法

• 車両の運動学は、位置、速度、ヨー角、ヨー率を状態変数とする離散時間システムでモデル化される。
• 再帰的ホライゾン最適制御フレームワークが用いられ、累積報酬は線形報酬関数 $ R(t) = \mathbf{w}^\intercal \mathbf{\Phi}(t) $ を用いて特徴量の重み付き和として計算される。
• 2種類のドライバー型モデルが採用される：タイプ1（慎重型）は優先権を譲り、タイプ2（攻撃的型）は最初に通過を試みる。
• コントローラは相手ドライバーのタイプに関する信念状態 $ \mathbb{P}^{(2)}(t) $ を維持し、観察された行動に基づいてベイズ推定を用いて更新する。
• ニューラルネットワークを用いた関数近似により、価値関数と方策をオンラインで推定し、リアルタイム計算を可能にする。
• 推定された信念状態と報酬関数を用いて、有限ホライズン最適化問題を解き、行動を選択する。

実験結果

リサーチクエスチョン

• RQ1 異種のドライバー型が存在する状況下で、自律走行車両はどのようにして安全かつ効率的に交差点を通過できるか？
• RQ2 オンラインでのドライバー型推定を組み込んだゲーム理論的モデルは、複数車両が関与する交差点シナリオにおける意思決定を改善できるか？
• RQ3 シミュレーテッドおよび人間ドライバーを含む状況下で、適応的コントローラの衝突回避性能および成功確率はどの程度か？
• RQ4 関数近似は、複雑なゲーム理論的コントローラーのリアルタイム実装をどの程度効果的に可能にするか？
• RQ5 相手ドライバーのタイプに関する信念更新は、動的交通状況におけるエゴ車両の戦略的意思決定にどのように影響を与えるか？

主な発見

• ランダムに生成された初期条件および相手ドライバー型を用いた1,000回のシミュレーション実行において、コントローラは衝突、レーン違反、デッドロックを回避し、93.4%の成功率を達成した。
• 7名のオペレータを含む人間をフィードバックループに含むシミュレーションでは、コントローラは88.6%の成功率を達成し、現実のドライビング変動に強く、実用的であることが示された。
• 攻撃的（タイプ2）ドライバーが最初に通過を試みた場合、100%の確率で正しく同定され、衝突を避けるために譲る行動がとられた。
• 人間ドライバーが当初攻撃的であったが、その後減速した場合、コントローラは信念をタイプ1に更新し、先に通過するための加速を実行した。これは、適応的かつ迅速な反応を示している。
• 1つの制御サイクル（状態推定、信念更新、行動生成）の平均処理時間は、GPU対応の標準ラップトップで34.1 msであった。
• 信念更新機構 $ \mathbb{P}^{(2)}(t) $ は、相手行動の変化を的確に追跡できており、シミュレーション軌道において明確な収束パターンが観察された。