[論文レビュー] Facilitating Connected Autonomous Vehicle Operations Using Space-weighted Information Fusion and Deep Reinforcement Learning Based Control

Jiqian Dong, Sikai Chen+4 more|arXiv (Cornell University)|Sep 30, 2020

Traffic control and management参考文献 51被引用数 15

ひとこと要約

本稿では、短距離搭載センサデータと長距離V2X接続車両データを統合することで、特に車線変更における連結自動運転車両（CAV）の運用を向上させる、空間重み付き情報統合と深層強化学習（DRL）に基づく制御フレームワークを提案する。このアプローチは、交通密度に応じて接続範囲（CR）設定を最適化することで、安全性と移動性を向上させる。事例研究により、異なる交通状況における最適なCRレベルが特定された。

ABSTRACT

The connectivity aspect of connected autonomous vehicles (CAV) is beneficial because it facilitates dissemination of traffic-related information to vehicles through Vehicle-to-External (V2X) communication. Onboard sensing equipment including LiDAR and camera can reasonably characterize the traffic environment in the immediate locality of the CAV. However, their performance is limited by their sensor range (SR). On the other hand, longer-range information is helpful for characterizing imminent conditions downstream. By contemporaneously coalescing the short- and long-range information, the CAV can construct comprehensively its surrounding environment and thereby facilitate informed, safe, and effective movement planning in the short-term (local decisions including lane change) and long-term (route choice). In this paper, we describe a Deep Reinforcement Learning based approach that integrates the data collected through sensing and connectivity capabilities from other vehicles located in the proximity of the CAV and from those located further downstream, and we use the fused data to guide lane changing, a specific context of CAV operations. In addition, recognizing the importance of the connectivity range (CR) to the performance of not only the algorithm but also of the vehicle in the actual driving environment, the paper carried out a case study. The case study demonstrates the application of the proposed algorithm and duly identifies the appropriate CR for each level of prevailing traffic density. It is expected that implementation of the algorithm in CAVs can enhance the safety and mobility associated with CAV driving operations. From a general perspective, its implementation can provide guidance to connectivity equipment manufacturers and CAV operators, regarding the default CR settings for CAVs or the recommended CR setting in a given traffic environment.

研究の動機と目的

• 自動運転車両の短距離搭載センサの限界を克服するため、長距離V2X接続データを統合すること。
• 複数範囲の環境認識を統合することで、車線変更における意思決定を改善すること。
• さまざまな交通密度下でのCAVの最適な接続範囲（CR）を特定し、安全性と移動性を最大化すること。
• CAV運用者および接続機器メーカーが、デフォルトまたは適応的CR設定を実装する上で実用的な指針を得られるようにすること。

提案手法

• フレームワークは、距離に応じた空間重み付き情報統合を用いて、搭載センサ（LiDAR、カメラ）とV2X接続車両からのデータを統合する。
• 深層強化学習（DRL）エージェントは、統合された多距離環境状態に基づいて車線変更意思決定を行う。
• 統合プロセスでは、近接する情報源（搭載センサ）に高い重みを割り当て、距離が長いV2Xデータの重みは空間的接近度に応じて段階的に低減する。
• DRLのポリシーネットワークは、シミュレーション環境で報酬設計を用いて訓練され、安全性、滑らかさ、進行状況を優先する。
• アルゴリズムは、現在の接続範囲（CR）に応じてV2Xデータへの依存度を動的に調整可能であり、適応的性能を実現する。
• 事例研究により、さまざまな交通密度下でのアルゴリズムの性能を評価し、各状況における最適CRを特定する。

実験結果

リサーチクエスチョン

• RQ1 動的交通環境下でのCAVの環境認識を向上させるために、短距離搭載センサデータと長距離V2Xデータを効果的に統合する方法は何か？
• RQ2 異なる交通密度下で、DRLベースの車線変更意思決定の性能に及ぼす接続範囲（CR）の変動の影響は何か？
• RQ3 空間重み付き統合は、自動運転車両の環境状態推定の頑健性と正確性をどのように向上させるか？
• RQ4 低・中・高交通密度下で、CAVの車線変更運用における安全性と移動性を最大化する最適なCR設定は何か？
• RQ5 提案されたフレームワークは、実世界のCAV展開におけるデフォルトまたは適応的CRパrameter設定に実用的な指針を提供できるか？

主な発見

• 提案された空間重み付き統合手法は、高分解能の局所データとV2Xソースからの予測的長距離データを統合することで、環境認識を顕著に向上させる。
• DRLベースの制御ポリシーは、即時の交通状況と下流の交通状況の両方を活用することで、より安全で効率的な車線変更を実現する。
• 事例研究により、最適な接続範囲（CR）は交通密度に応じて変化することが判明した：低交通密度では低いCRで十分であり、高交通密度では安全性と移動性を維持するために高いCRが必要である。
• アルゴリズムは、搭載センサに依存するシステムと比較して、意思決定の一貫性が向上し、衝突リスクが低減している。
• 研究結果は、CR設定を交通状況に応じて動的に調整すべきであることを示しており、さまざまな交通密度レベルに対する具体的な推奨事項が得られた。
• このフレームワークの実装により、CAV運用者および接続機器メーカーが最適なパフォーマンスを得るためにCRを設定する上で実用的な指針が提供される。