核心概念
CRITICALフレームワークを用いて、実世界のトラフィック動態、運転行動分析、安全性指標を統合し、強化学習エージェントの訓練に重要なシナリオを生成・活用することで、自動運転車の性能と安全性を向上させる。
摘要
本研究では、CRITICALと呼ばれる新しい自動運転車(AV)の訓練・評価フレームワークを提案している。CRITICALは、実世界のトラフィック動態、運転行動分析、安全性指標を統合し、強化学習(RL)エージェントの訓練に重要なシナリオを生成・活用することで、AVの性能と安全性を向上させる。
具体的には以下の通り:
- 実世界のトラフィックデータ(highDデータセット)を活用し、攻撃的、防御的、通常の運転行動をクラスタリングし、シミュレーション環境に再現する。
- 時間間隔(TTC)や統合リスク指標(r)などの安全性指標を用いて、重要なシナリオを特定し、RL訓練に活用する。
- Language Modelを活用し、重要シナリオの生成と分析を行い、RL訓練の多様性と難易度を高める。
実験の結果、CRITICALフレームワークを用いることで、RL エージェントの学習速度、全体的なパフォーマンス、安全性向上が確認された。これにより、AVシステムの堅牢性向上と重要シナリオ生成の効率化に寄与することが示された。
统计
相対距離xrelと相対速度|v|relから時間間隔TTCを計算する。
縦方向リスク指標rlon、横方向リスク指標rlatから統合リスク指標rを算出する。
TTCが閾値を下回ると、TTCニアミス回数を増加させる。
統合リスク指標rが閾値を超えると、r閾値超過回数を増加させる。