[論文レビュー] Longitudinal Motion Planning for Autonomous Vehicles and Its Impact on Congestion: A Survey

Hao Zhou, Jorge Laval|arXiv (Cornell University)|Oct 2, 2019

Traffic control and management参考文献 49被引用数 7

ひとこと要約

本調査は、自律走行車における機械学習ベースの縦方向運動計画（mMP）と交通渋滞への影響を調査し、データ、モデル、学習手法を評価している。研究の進展にもかかわらず、業界は行動クラーニングに依存しているが、渋滞シナリオのデータ不足やストリング安定性の課題が明らかになった。mMPは、長期的な速度予測において、従来の車両追従モデルを上回っている。

ABSTRACT

This paper reviews machine learning methods for the motion planning of autonomous vehicles (AVs), with exclusive focus on the longitudinal behaviors and their impact on traffic congestion. An extensive survey of training data, model input/output, and learning methods for machine learning longitudinal motion planning (mMP) is first presented. Each of those major components is discussed and evaluated from the perspective of congestion impact. The emerging technologies adopted by leading AV giants like Waymo and Tesla are highlighted in our review. We find that: i) the AV industry has been focusing on the long tail problem caused by corner errors threatening driving safety, ii) none of the existing public datasets provides sufficient data under congestion scenarios, and iii) although alternative and more advanced learning methods are available in literature, the major mMP method adopted by industry is still behavior cloning (BC). The study also surveys the connections between mMP and traditional car-following (CF) models, and it reveals that: i) the model equivalence only exists in simple settings, ii) studies have shown mMP can significantly outperform CF models in long-term speed prediction, and iii) mMP's string stability remains intractable yet, which can only be analyzed by model approximation followed with numerical simulations. Future research needs are also identified in the end.

研究の動機と目的

• 自律走行車における機械学習ベースの縦方向運動計画（mMP）が交通渋滞に与える影響を分析すること。
• mMPに用いられる訓練データ、モデルの入出力、学習手法が渋滞に与える影響を評価すること。
• 特に渋滞シナリオにおいて不足している、現在の公開データセットにおける技術的ギャップを同定すること。
• mMPと従来の車両追従（CF）モデルの性能および安定性の観点から比較すること。
• 業界の実務（例：Waymo、Tesla）を強調し、渋滞緩和のための今後の研究ニーズを同定すること。

提案手法

• 自律走行車における縦方向運動計画（mMP）の機械学習手法について包括的な調査を実施する。
• mMPの構成要素を分類・評価する：訓練データ、入出力設計、学習アルゴリズム（例：行動クラーニング、模倣学習）。
• 簡略化された条件下でのmMPと古典的車両追従（CF）モデルとの等価性を分析する。
• モデル近似と数値シミュレーションを用いて、mMPの長期的スピード予測性能を評価する。
• モデル近似とシミュレーション分析を用いて、mMPのストリング安定性を評価する。
• Waymo や Tesla などの主要なAV企業が採用している新技術を調査し、業界の採用動向を文脈づけて分析する。

実験結果

リサーチクエスチョン

• RQ1 縦方向運動計画に用いられる異なる機械学習手法は、交通渋滞にどのように影響を与えるか？
• RQ2 既存の公開データセットは、mMPの訓練に必要な渋滞関連の走行シナリオを十分に捉えているか？
• RQ3 より高度な学習手法が存在するにもかかわらず、なぜ業界は依然として行動クラーニングを主に採用しているのか？
• RQ4 mMPは、長期的スピード予測において、なぜ従来の車両追従モデルを上回るのか？
• RQ5 mMPにおけるストリング安定性を確保するにあたり、どのような課題があり、それらはどのように分析できるか？

主な発見

• 自律走行車の業界は、安全を高めるために、レアケース（長尾問題）の解決を優先しており、渋滞に配慮した設計は犠牲になりがちである。
• mMPの渋滞シナリオ下での訓練に十分なデータを提供する公開データセットは、現時点で存在しない。これは深刻なデータギャップを示している。
• 学習手法の進展にもかかわらず、業界では行動クラーニングが依然として主流である。これは、研究と実装の間のギャップを示している。
• mMPは、長期的スピード予測において、従来の車両追従モデルを著しく上回っており、優れた動的モデリング能力を示している。
• mMPにおけるストリング安定性は、解析的に解けず、モデル近似と数値シミュレーションによる評価しかできない。
• mMPとCFモデルの間のモデル等価性は、単純な設定に限られる。これは、行動表現とダイナミクスに根本的な違いがあることを示している。