[论文解读] Longitudinal Motion Planning for Autonomous Vehicles and Its Impact on Congestion: A Survey

Hao Zhou, Jorge Laval|arXiv (Cornell University)|Oct 2, 2019

Traffic control and management参考文献 49被引用 7

一句话总结

本综述研究了自动驾驶汽车中基于机器学习的纵向运动规划（mMP）及其对交通拥堵的影响。分析了数据、模型和学习方法，指出尽管已有替代方法的进展，行业仍主要依赖行为克隆；揭示了拥堵场景数据的不足以及串列稳定性方面的挑战，表明mMP在长期速度预测方面优于传统跟车模型。

ABSTRACT

This paper reviews machine learning methods for the motion planning of autonomous vehicles (AVs), with exclusive focus on the longitudinal behaviors and their impact on traffic congestion. An extensive survey of training data, model input/output, and learning methods for machine learning longitudinal motion planning (mMP) is first presented. Each of those major components is discussed and evaluated from the perspective of congestion impact. The emerging technologies adopted by leading AV giants like Waymo and Tesla are highlighted in our review. We find that: i) the AV industry has been focusing on the long tail problem caused by corner errors threatening driving safety, ii) none of the existing public datasets provides sufficient data under congestion scenarios, and iii) although alternative and more advanced learning methods are available in literature, the major mMP method adopted by industry is still behavior cloning (BC). The study also surveys the connections between mMP and traditional car-following (CF) models, and it reveals that: i) the model equivalence only exists in simple settings, ii) studies have shown mMP can significantly outperform CF models in long-term speed prediction, and iii) mMP's string stability remains intractable yet, which can only be analyzed by model approximation followed with numerical simulations. Future research needs are also identified in the end.

研究动机与目标

• 分析基于机器学习的纵向运动规划（mMP）对自动驾驶汽车交通拥堵的影响。
• 从拥堵影响的视角，评估mMP所用的训练数据、模型输入/输出及学习方法。
• 识别当前公开数据集中在拥堵场景下的技术空白，特别是数据不足的问题。
• 比较mMP与传统跟车（CF）模型在性能和稳定性方面的表现。
• 突出行业实践（如Waymo、Tesla）并识别mMP在缓解拥堵方面未来的研究需求。

提出的方法

• 对自动驾驶汽车中纵向运动规划（mMP）的机器学习方法进行全面综述。
• 对mMP的组成部分进行分类与评估：训练数据、输入/输出设计以及学习算法（如行为克隆、模仿学习）。
• 在简化条件下分析mMP与经典跟车（CF）模型之间的等价性。
• 通过模型近似与数值仿真，评估mMP在长期速度预测中的表现。
• 通过模型近似与基于仿真的分析，评估mMP的串列稳定性。
• 调查Waymo和Tesla等领先自动驾驶公司采用的新兴技术，以把握行业采纳趋势。

实验结果

研究问题

• RQ1 不同的机器学习方法用于纵向运动规划在多大程度上影响交通拥堵？
• RQ2 现有公开数据集在多大程度上涵盖了mMP训练所需的拥堵相关驾驶场景？
• RQ3 尽管已有更先进的学习方法，为何行业仍主要使用行为克隆？
• RQ4 mMP在长期速度预测方面以何种方式优于传统跟车模型？
• RQ5 mMP中确保串列稳定性的挑战是什么？如何对其进行分析？

主要发现

• 自动驾驶汽车行业优先解决长尾问题中的边缘案例以提升安全性，往往以牺牲拥堵感知设计为代价。
• 现有公开数据集中缺乏足够的拥堵场景数据用于训练mMP模型，造成关键的数据缺口。
• 尽管学习方法持续进步，行为克隆在行业中仍占主导地位，表明研究与实际部署之间存在差距。
• mMP在长期速度预测方面显著优于传统跟车模型，表明其具备更优越的动力学建模能力。
• mMP的串列稳定性在理论上难以解析求解，只能通过模型近似与数值仿真进行评估。
• mMP与CF模型之间的模型等价性仅在简单设置下成立，表明其在行为表征与动力学方面存在根本性差异。