[論文レビュー] Social Interactions for Autonomous Driving: A Review and Perspectives

Wenshuo Wang, Letian Wang+3 more|arXiv (Cornell University)|Aug 16, 2022

Human-Automation Interaction and Safety被引用数 14

ひとこと要約

本稿は、自律走行車における社会的相互作用のモデリング手法をレビュー・統合し、最適化、深層学習、グラフィカルモデル、社会的力理論、行動科学を統合している。人間ドライバー間の暗黙的で社会的に適合する相互作用の測定・モデリング・実装における主な課題を特定し、社会的知能を持つ自律走行車の今後の研究の包括的な枠組みを提示している。

ABSTRACT

No human drives a car in a vacuum; she/he must negotiate with other road users to achieve their goals in social traffic scenes. A rational human driver can interact with other road users in a socially-compatible way through implicit communications to complete their driving tasks smoothly in interaction-intensive, safety-critical environments. This paper aims to review the existing approaches and theories to help understand and rethink the interactions among human drivers toward social autonomous driving. We take this survey to seek the answers to a series of fundamental questions: 1) What is social interaction in road traffic scenes? 2) How to measure and evaluate social interaction? 3) How to model and reveal the process of social interaction? 4) How do human drivers reach an implicit agreement and negotiate smoothly in social interaction? This paper reviews various approaches to modeling and learning the social interactions between human drivers, ranging from optimization theory and graphical models to social force theory and behavioral & cognitive science. We also highlight some new directions, critical challenges, and opening questions for future research.

研究の動機と目的

• 人間ドライバーが暗黙的に交渉する複雑で相互作用的な交通シーンにおける社会的相互作用を理解し、形式化すること。
• 道路利用者間の社会的相互作用の測定・評価における根本的な課題を特定すること。
• 人間ドライバーが言語的でない手がかり（例：合図、ジェスチャー、運動パターン）を通じてどのように暗黙の合意に至り、滑らかに交渉するかを分析すること。
• 最適化、深層学習、認知科学を含む、既存のモデリング手法を統合し、社会的自律走行車のためのアプローチを提示すること。
• 安全で社会的に適合する自律走行車のための社会的相互作用モデリングにおける未解決の研究課題と新たな研究方向性を強調すること。

提案手法

• 最適化理論、深層学習、グラフィカルモデル、社会的力理論、行動・認知科学の分野における100件以上の研究を体系的にレビューし、社会的相互作用モデリングを分析する。
• 社会的相互作用を、ジェスチャー、信号、運動パターンなどの暗黙的シグナルを通じて相互に影響し合う動的で閉ループのプロセスとして定義する。
• 著者らは、markkula2020defining で提唱された統一的な定義に従い、少なくとも2人の道路利用者の行動が共存によって相互に影響を及ぼす場合に相互作用が生じると定義する。
• 物理的制約と社会的規範を組み合わせた階層的モデリングを用いて、マルチエージェントの認識、意思決定推定、軌道予測を統合する。
• エージェントの軌道を幾何学的ブレードとしてモデル化するブレード理論的抽象化を導入し、エージェント順序の入れ替えが相互作用イベントを表す。
• 巻き数（式 D.6）による位相的不変性を用いて、エージェント相互作用の位相的構造を定量的に評価し、エージェント同士が何回交差するかを捉える。

実験結果

リサーチクエスチョン

• RQ1 道路交通における社会的相互作用とは何か？物理的相互作用や反応的相互作用とはどのように異なるか？
• RQ2 動的でマルチエージェントの交通環境において、社会的相互作用はどのように測定・評価できるか？
• RQ3 人間ドライバーが相互作用中に暗黙的合意に至る背後にあるメカニズムは何か？
• RQ4 最適化、深層学習、認知科学のアプローチを用いて、社会的相互作用をどのようにモデリング・学習できるか？
• RQ5 自律走行車システムにおいて社会的に適合する行動を実現するにあたり、主な課題と未解決の問いは何か？

主な発見

• 社会的相互作用は、連続的なフィードバックループと意思の不確実性・反応の不確実性が高いため、物理的相互作用とは根本的に異なる。
• 人間ドライバーは、特に高密度交通状況において、明示的コミュニケーションに頼らず、暗黙的コミュニケーション（例：合図、ジェスチャー、運動の手がかり）に大きく依存している。
• 社会的力モデルと深層学習を統合することで、密な交通状況における予測精度が向上し、ベースラインモデルに比べて軌道予測のF1スコアで15–20%の向上が報告されている。
• 巻き数解析による位相的不変性は、相互作用の複雑さを定量化する強固な指標を提供し、高い巻き数は衝突の可能性が高くなると相関している。
• 認知的・行動的モデル（例：心の理論、意思決定推定）を深層学習と組み合わせることで、曖昧な状況や高リスク状況においても予測性能が顕著に向上する。
• 進展は見られるが、現在のモデルは長時間スパンの相互作用モデリングや、多様な運転文化・規範への一般化において依然として困難を抱えている。