[논문 리뷰] Human-Like Decision Making for Autonomous Driving: A Noncooperative Game Theoretic Approach

Peng Hang, Chen Lv외 3명|arXiv (Cornell University)|2020. 05. 22.

Traffic control and managementEngineering참고 문헌 40인용 수 18

한 줄 요약

이 논문은 자율주행차(AV)의 인간 유사 의사결정 프레임워크를 제안하며, 비협력 게임 이론—특히 나시 균형과 스택엘베르크 게임—을 사용하여 인간 운전 차량과의 상호작용을 모델링한다. 운동 예측 및 계획을 위해 잠재력장 방법과 모델 예측 제어를 통합함으로써 안전성, 편안함, 효율성을 향상시키며, 스택엘베르크 접근법은 나시 균형 대비 차선 변경 시나리오에서 의사결정 비용을 20% 이상 감소시켰다.

ABSTRACT

Considering that human-driven vehicles and autonomous vehicles (AVs) will coexist on roads in the future for a long time, how to merge AVs into human drivers traffic ecology and minimize the effect of AVs and their misfit with human drivers, are issues worthy of consideration. Moreover, different passengers have different needs for AVs, thus, how to provide personalized choices for different passengers is another issue for AVs. Therefore, a human-like decision making framework is designed for AVs in this paper. Different driving styles and social interaction characteristics are formulated for AVs regarding driving safety, ride comfort and travel efficiency, which are considered in the modeling process of decision making. Then, Nash equilibrium and Stackelberg game theory are applied to the noncooperative decision making. In addition, potential field method and model predictive control (MPC) are combined to deal with the motion prediction and planning for AVs, which provides predicted motion information for the decision-making module. Finally, two typical testing scenarios of lane change, i.e., merging and overtaking, are carried out to evaluate the feasibility and effectiveness of the proposed decision-making framework considering different human-like behaviors. Testing results indicate that both the two game theoretic approaches can provide reasonable human-like decision making for AVs. Compared with the Nash equilibrium approach, under the normal driving style, the cost value of decision making using the Stackelberg game theoretic approach is reduced by over 20%.

연구 동기 및 목표

• 자율주행차가 인간 운전 차량의 주행 행동을 모방함으로써 혼잡한 교통 환경에 원활하게 통합될 수 있도록 하는 것.
• 자율주행차가 인간 운전자와의 부적합성 문제를 해결하여 혼합 교통 환경에서의 교통 혼란을 최소화하는 것.
• 안전성, 편안함, 효율성에 대한 다양한 승객 선호도를 고려한 개인 맞춤형 의사결정을 제공하는 것.
• 게임 이론을 활용해 자율주행차와 인간 운전 차량 간의 동적 상호작용을 모델링하는 의사결정 프레임워크를 개발하는 것.
• 융합 주행 및 추월과 같은 현실적이고 고위험 주행 시나리오에서 프레임워크의 효과성을 평가하는 것.

제안 방법

• 안전성, 편안함, 효율성을 균형 있게 유지하기 위해 주행 스타일과 사회적 상호작용 특성을 의사결정 모델에 통합한다.
• 자율주행차와 인간 운전 차량 간의 비협력적 상호작용을 모델링하기 위해 나시 균형과 스택엘베르크 게임 이론을 적용한다.
• 주변 교통 참가자의 행동을 예측하기 위해 잠재력장 방법을 운동 예측에 통합한다.
• 예측된 궤적을 입력으로 사용하여 실시간 운동 계획을 수행하기 위해 모델 예측 제어(MPC)를 활용한다.
• 게임 이론 기반 의사결정과 MPC, 잠재력장 방법을 융합하여 동적 교통 환경에서 인간 유사이고 적응 가능한 반응을 생성한다.
• 잠재력장 및 MPC 모듈에서 도출된 예측 운동 데이터를 기반으로 게임 이론 프레임워크 내 전략적 의사결정을 지원한다.

실험 결과

연구 질문

• RQ1 혼합 교통 환경에서 자율주행차는 어떻게 인간의 주행 행동을 유사하게 모방하는 의사결정을 내릴 수 있는가?
• RQ2 안전성, 편안함, 효율성을 균형 있게 유지하는 데 있어, 나시 균형과 스택엘베르크 중 어떤 게임 이론적 접근이 더 효과적인가?
• RQ3 운동 예측 및 계획의 통합은 자율주행차 의사결정의 현실성과 효과성을 어느 정도 향상시킬 수 있는가?
• RQ4 다양한 주행 스타일과 승객 선호도는 자율주행차 의사결정 프레임워크의 설계 및 성능에 어떤 영향을 미치는가?
• RQ5 제안된 프레임워크는 실제 주행 환경에서 의사결정 비용과 인간 유사성 측면에서 측정 가능한 향상을 달성할 수 있는가?

주요 결과

• 일반 주행 조건 하에서 스택엘베르크 게임 이론적 접근법은 나시 균형 대비 의사결정 비용을 20퍼센트 이상 감소시켰다.
• 나시 균형과 스택엘베르크 게임 모델 모두 인간 유사 의사결정을 도출하여 복잡한 교통 상호작용에서의 타당성을 입증했다.
• 잠재력장 방법과 모델 예측 제어의 통합은 정확한 운동 예측과 실시간 계획을 가능하게 하여 효과적인 게임 이론 기반 의사결정을 뒷받침했다.
• 프레임워크는 융합 및 추월과 같은 두 가지 핵심 차선 변경 시나리오를 성공적으로 처리하여 고위험 주행 맥락에서의 강건성을 입증했다.
• 의사결정 프레임워크는 안전성, 승차 편안함, 주행 효율성을 효과적으로 균형 잡아 인간 운전자 선호도와 일치시켰다.
• 결과적으로 게임 이론 기반 모델링이 혼합 교통 환경에서 자율주행차의 행동을 크게 향상시켜 비자연스럽거나 방해적인 주행 동작을 줄였음을 확인했다.