[论文解读] Cooperation for Scalable Supervision of Autonomy in Mixed Traffic

Cameron Hickert, Sirui Li+1 more|arXiv (Cornell University)|Dec 14, 2021

Human-Automation Interaction and Safety被引用 4

一句话总结

本文提出了一种面向混合交通环境中自动驾驶汽车（AV）的协作监管框架，结合可达性分析与排队论，显著降低人工监管负担。结果表明，协作式AV可使监管需求降低数个数量级，并且随着AV普及率提升，每辆AV所需的监管人员反而减少，从而通过主动协作而非被动监控实现可扩展部署。

ABSTRACT

Advances in autonomy offer the potential for dramatic positive outcomes in a number of domains, yet enabling their safe deployment remains an open problem. This work's motivating question is: In safety-critical settings, can we avoid the need to have one human supervise one machine at all times? The work formalizes this scalable supervision problem by considering remotely located human supervisors and investigating how autonomous agents can cooperate to achieve safety. This article focuses on the safety-critical context of autonomous vehicles (AVs) merging into traffic consisting of a mixture of AVs and human drivers. The analysis establishes high reliability upper bounds on human supervision requirements. It further shows that AV cooperation can improve supervision reliability by orders of magnitude and counterintuitively requires fewer supervisors (per AV) as more AVs are adopted. These analytical results leverage queuing-theoretic analysis, order statistics, and a conservative, reachability-based approach. A key takeaway is the potential value of cooperation in enabling the deployment of autonomy at scale. While this work focuses on AVs, the scalable supervision framework may be of independent interest to a broader array of autonomous control challenges.

研究动机与目标

• 解决在安全至关重要的混合交通环境中，自动驾驶汽车监管规模化的关键挑战。
• 探究一名人类监管员是否能有效实时管理多辆AV，特别是在混乱且不可预测的交通条件下。
• 形式化定义一个‘可扩展性’指标——每位监管员平均监管的AV数量——并分析其与AV普及率及协作程度的依赖关系。
• 开发一种远程监管框架，利用基于可达性的激活条件与排队论建模，实现系统级可靠性。

提出的方法

• 基于可达性分析的形式化监管问题：仅当汇合点位于AV与人类驾驶车辆的可达区域交集内时，监管员才会被触发。
• 应用排队论建模汇合任务的到达率与服务率，以分析监管员工作负载与可靠性阈值。
• 利用顺序统计分析最近协作AV（CCA）与当前AV之间的最小距离，表明协作阻塞通过改变危险时刻的分布，降低监管触发概率。
• 推导出当多个监管员的汇合任务被集中管理时，监管员数量不足的概率的闭式表达式。
• 提出一种保守的、基于可达性的安全方法，无需保证零事故，但可高置信度实现人类级别的可靠性。
• 采用统计与分析工具，计算监管时间的上界，并量化CCA-V协作对监管可靠性的影响。

实验结果

研究问题

• RQ1 能否通过自动驾驶汽车之间的协作，显著减少混合交通环境中每辆AV所需的监管人员数量？
• RQ2 交通网络中AV比例的变化如何影响所需监管负载？该关系是否表现出反直觉的行为？
• RQ3 理论上，人类监管员监控单辆AV汇合操作所需的最大监管时间上限是多少？
• RQ4 与非协作式AV相比，联网协作AV（CCA）的协作阻塞如何降低监管激活概率？
• RQ5 随着AV普及率提升，远程监管框架能否在可扩展的监管员数量下实现人类级别的安全可靠性？

主要发现

• 当环形区域中AV普及率达到16/16时，AV之间的协作可使每辆AV的预期监管时间减少高达69%，对于$d_i = 0.1$，相对改进达69.03%。
• 在低风险场景下（$d_i = 0.01$），协作仍可使监管可靠性提升高达44.33%（16辆CCA-V），表明即使在保守阈值下仍具持续优势。
• 随着AV普及率提升，每辆AV所需的监管员数量减少，违背传统直觉，从而实现在高AV渗透率下的可扩展监管。
• CCA-V显著提升监管可靠性：当$S=16$时，对于$d_i = 0.1$，监管失败概率从非协作的0.1074降至协作的0.03055，降低71.5%。
• 在存在CCA-V的情况下，固定数量的监管员可实现高达10倍的可靠性阈值提升，如对数可靠性图所示。
• 该框架实现了监管效率的数个数量级提升，表明通过协作预防优于单纯增加监管容量。