[論文レビュー] Optimizing Collision Avoidance in Dense Airspace using Deep Reinforcement Learning

Sheng Li, Maxim Egorov+1 more|arXiv (Cornell University)|Dec 20, 2019

Autonomous Vehicle Technology and Safety参考文献 30被引用数 34

ひとこと要約

本論文は、深層強化学習を用いて既存のアプローチを修正し、密度の高い航空空間で自律型衝突回避を開発・分析し、安全性を維持しつつ効率性を向上させる。

ABSTRACT

New methodologies will be needed to ensure the airspace remains safe and efficient as traffic densities rise to accommodate new unmanned operations. This paper explores how unmanned free-flight traffic may operate in dense airspace. We develop and analyze autonomous collision avoidance systems for aircraft operating in dense airspace where traditional collision avoidance systems fail. We propose a metric for quantifying the decision burden on a collision avoidance system as well as a metric for measuring the impact of the collision avoidance system on airspace. We use deep reinforcement learning to compute corrections for an existing collision avoidance approach to account for dense airspace. The results show that a corrected collision avoidance system can operate more efficiently than traditional methods in dense airspace while maintaining high levels of safety.

研究の動機と目的

• 無人作戦による航空交通密度の増加に伴い、高度な衝突回避の必要性を動機づける。
• 従来の手法が困難とする密度の高い空間で作動可能な自律的衝突回避システムを開発する。
• 衝突回避システムの意思決定負荷と空域への影響を定量化する指標を導入する。
• 密度の高い空間に対する既存の衝突回避アプローチの修正を算出するために深層強化学習を適用する。
• 修正されたシステムが高い安全基準を維持しつつより効率的に作動できることを示す。

提案手法

• 深層強化学習を用いて既存の衝突回避アプローチの修正を学習する。
• 衝突回避システムの意思決定負荷と空域への影響の指標を導入する。
• 密度の高い航空空間のシナリオで修正済みシステムを評価し、従来の衝突回避手法と比較する。
• 高い交通密度下での効率性と安全性の観点から性能を分析する。

実験結果

リサーチクエスチョン

• RQ1 深層強化学習は安全性を損なうことなく、密度の高い空間での衝突回避の効率を改善できるか。
• RQ2 衝突回避システムの意思決定負荷と空域への影響を定量化する効果的な指標は何か。
• RQ3 密集した交通条件下でRL修正衝突回避アプローチは従来手法とどのように比較されるか。
• RQ4 深層学習を用いて既存の衝突回避戦略に対する修正を導出することは実現可能か。

主な発見

• 深層強化学習に基づく修正済み衝突回避システムは、密度の高い空間で従来の手法よりも効率的に作動できる。
• RLベースの修正は効率性の向上とともに高い安全性を維持する。
• 提案された指標は意思決定負荷と空域への影響を効果的にとらえ、Dense Airspace衝突回避性能の評価を支援する。