[論文レビュー] Indirect Shared Control of Highly Automated Vehicles for Cooperative Driving between Driver and Automation

Renjie Li, Yanan Li+3 more|arXiv (Cornell University)|Apr 4, 2017

Autonomous Vehicle Technology and Safety参考文献 30被引用数 12

ひとこと要約

本稿では、予測ドライバーモデリングとリアルタイムの意思決定検出を用いて、動的かつ柔軟にドライバーと自動化の権限をバランスさせる、ステア・バイ・ワイヤ車両向けの間接的共有制御フレームワークを提案する。モデル予測制御（MPC）を用いてドライバーが制御戦略に適応する様子をモデリングし、スライディング・ウインドウ検出器を用いて権限重みを切り替えることで、一貫したシナリオにおいてドライバーの負荷を軽減するとともに、経路追従精度と障害物回避性能を向上させる。

ABSTRACT

It is widely acknowledged that drivers should remain in the control loop of automated vehicles before they completely meet real-world operational conditions. This paper introduces an `indirect shared control' scheme for steer-by-wire vehicles, which allows the vehicle control authority to be continuously shared between the driver and automation through unphysical cooperation. This paper first balances the control objectives of the driver and automation in a weighted summation, and then models the driver's adaptive control behavior using a predictive control approach. The driver adaptation modeling enables off-line evaluations of indirect shared control systems and thus facilitates the design of the assistant controller. Unlike any conventional driver model for manual driving, this model assumes that the driver can learn and incorporate the controller strategy into his internal model for more accurate path following. To satisfy the driving demands in different scenarios, a sliding-window detector is designed to continuously monitor the driver intention and automatically switch the authority weights between the driver and automation. The simulation results illustrate the advantages of considering the driver adaptation in path-following and obstacle-avoidance tasks, and show the effectiveness of indirect shared control for cooperative driving.

研究の動機と目的

• 静的権限割り当ての限界を解消するため、対立する走行シナリオで性能が低下する固定重みの問題を是正すること。
• 間接的共有制御におけるドライバーの適応的行動をモデリングし、ドライバーが自動化の制御戦略を学習・内省することで、経路追従性能が向上することを仮定すること。
• リアルタイムで動作するスライディング・ウインドウベースの検出器を開発し、ドライバーの意思決定の変化を検出し、動的権限再重み付けをトリガーすること。
• 変動する自動化およびドライバー権限条件下で、複雑な走行タスク（経路追従および障害物回避）におけるシステム性能を評価すること。

提案手法

• 制御権限はドライバーと自動化入力の重み付き和として定義され、スライディング・ウインドウ検出器によって時間変動する重みが決定される。
• モデル予測制御（MPC）に基づくドライバー・モデルは、自動化の変換戦略をドライバーの内部モデルに組み込むことで、操舵行動を予測する。
• スライディング・ウインドウ検出器は、H=50サンプルのウインドウ内でドライバー入力の変化をモニタリングし、偏差が閾値δ*=0.1 radを超えた場合に意思決定の変化を検出、権限再重み付けをトリガーする。
• 権限重みは動的に調整される：一貫した意思決定の場合はλD+=0.7、λA+=0.7。不一致の場合はλD−=0.3、λA−=0.3。
• 予測制御フレームワークを用い、ドライバーがモーターラーニングを通じて制御戦略の行動を学習すると仮定することで、正確なオフラインシミュレーションおよびコントローラ設計が可能になる。
• 本手法により、従来の手動走行モデルに欠けているドライバー適応のモデリングが可能となり、間接的共有制御システムのオフライン評価が可能になる。

実験結果

リサーチクエスチョン

• RQ1 間接的共有制御におけるドライバーの自動化への適応をどのようにモデリングできるか。これにより、システム評価の正確性が向上する。
• RQ2 静的割り当てと動的割り当ての違いが、経路追従および障害物回避性能に与える影響は何か。
• RQ3 リアルタイムのスライディング・ウインドウ検出器は、ドライバーの意思決定変化を信頼性高く検出し、適切なタイミングで権限再重み付けをトリガーできるか。
• RQ4 本提案モデルは、適応を考慮しない従来のドライバー・モデルと比較して、性能をどのように向上させるか。
• RQ5 自動化権限の異なるレベルにおける、ドライバーの作業負荷とシステム性能のトレードオフは何か。

主な発見

• 本提案ドライバー・モデルは、制御戦略を内部モデルに組み込むことで、従来のモデルと比較して経路追従タスクにおけるドライバーの制御負荷を25%低減した。
• 障害物回避タスクでは、自動化権限が高い場合に滑らかな回避行動が実現し、制御負荷が高くなる傾向を示しており、対立する目標への適応が有効に機能している。
• 自動的重み切り替え手法により、経路追従と障害物回避の性能トレードオフが効果的に解消され、複雑なシナリオにおいて静的重み割り当てを上回る性能を示した。
• スライディング・ウインドウ検出器は、1秒の遅延（ウインドウ長に等しい）で意思決定変化を検出し、その timeframe 内に再重み付けをトリガーした。
• 重み切り替え直後にドライバー入力の不連続性が観測されたため、今後の研究ではより滑らかな遷移メカニズムの開発が求められる。
• ドライバー重み行列の推定誤差が22%であっても（推定値QD=diag(0.028,0.015) 対 実際のQD=diag(0.036,0.02)）、システムは改善された経路追従性能を維持しており、モデル不一致に対してもロバストであることが示された。