Umfassende Analyse der vier wichtigsten autonomen Fahrstrategien

Einführung

Die aktuelle Forschung zu autonomen Fahrstrategien konzentriert sich immer noch auf die Umsetzung spezifischer Strategien in bestimmten Szenarien. Forscher der Tsinghua-Universität haben auf der Top-Konferenz im Transportbereich einen umfassenden Bericht veröffentlicht und ihn aus einer fortgeschritteneren Perspektive analysiert Autonome Fahrstrategie.

Wenn ein selbstfahrendes Auto auf ein entgegenkommendes Fahrzeug trifft, sollte es zuerst vorbeifahren oder warten, bis es nachgibt?

Die Strategie des autonomen Fahrens ist seit jeher ein Kernthema in diesem Bereich, also wie autonome Fahrzeuge sinnvoll und effizient mit anderen Verkehrsteilnehmern in Verkehrskonfliktgebieten interagieren sollen.

Eine zu radikale oder zu konservative Strategie wird sich auf die Verkehrseffizienz auswirken und sogar die Lebenssicherheit der Passagiere gefährden.

Frühere Untersuchungen zu autonomen Fahrstrategien konzentrierten sich hauptsächlich auf detaillierte Fahrverhaltensweisen oder bestimmte Verkehrssituationen auf niedriger Ebene, d , und es mangelt derzeit an Forschung zu fortschrittlichen Fahrstrategien.

Obwohl Forscher ein zunehmendes Interesse an Fahrstrategien zeigen, gibt es noch keine umfassenden Antworten darauf, wie sicheres Fahren proaktiv umgesetzt werden kann.

Kürzlich wurden die Ergebnisse gemeinsamer Forschungen der Tsinghua-Universität, des Instituts für Automatisierung der Chinesischen Akademie der Wissenschaften und des Intel China Research Institute im jährlichen Seminar 2021 von Accident Analysis and Prevention, der führenden internationalen Fachzeitschrift auf dem Gebiet, vorgestellt Verkehrssicherheit (auf Platz 1 der SSCI-Zeitschrift im Transportbereich, JCR Q1) Auf dem Treffen wurden öffentliche Präsentationen und mündliche Berichte gehalten, und das Papier wurde mit dem jährlichen Preis für das beste Papier der Zeitschrift ausgezeichnet.

Papier-Link: https://www.sciencedirect.com/science/article/abs/pii/S0001457520317577#!

Nach der Analyse mehrerer repräsentativer Fahrstrategien schlug der Autor drei Paare charakteristischer Abmessungen vor, die wichtig sind bei der Messung der Fahrstrategie: bevorzugtes Ziel, Risikobereitschaft und Art der Zusammenarbeit.

Anhand dieser drei charakteristischen Dimensionen haben Forscher die bestehenden Fahrstrategien autonomer Fahrzeuge in vier Typen unterteilt: defensive Fahrstrategie, wettbewerbsfähige Fahrstrategie, ausgehandelte Fahrstrategie und kooperative Fahrstrategie, und diese vier Strategien verglichen. Es wird ein Vergleich durchgeführt und mögliche Richtungen ermittelt zur Verbesserung des Designs fortschrittlicher Fahrstrategien werden identifiziert.

Der Autor ist der Ansicht, dass angesichts des noch lange bestehenden gemischten Verkehrsflusses (selbstfahrende Autos und herkömmliche Autos) ein Vorfahrtsverhandlungsmechanismus aktiv eingeführt werden sollte, um den Widerspruch zwischen individuellen Absichten auszugleichen.

Der korrespondierende Autor des Artikels ist Dr. Li Zhiheng, der derzeit außerordentlicher Professor und Doktorvater an der Shenzhen Graduate School der Tsinghua-Universität ist. Erlangte 2009 einen Doktortitel in Ingenieurwissenschaften am Department of Automation, Department of Control Science and Engineering der Tsinghua University. Die Hauptforschungsrichtungen sind: intelligente Verkehrssysteme, Verkehrssignalsteuerungssysteme, Verkehrsmanagementplanung, intelligente öffentliche Verkehrssysteme, Big-Data-Forschung im intelligenten Verkehr usw. Gastgeber und Teilnahme an mehr als 10 Projekten auf nationaler Ebene.

Die Zukunft des autonomen Fahrens

In den letzten Jahren wurden große Hoffnungen in die autonome Fahrtechnologie gesetzt. Es wird allgemein angenommen, dass sie das Potenzial hat, den gesamten Bereich des Straßentransports neu zu gestalten und viele praktische Verkehrsprobleme, wie z. B. den Straßenverkehr, zu lösen Zugänglichkeit, Verkehrseffizienz, Komfort, insbesondere Sicherheit.

Allerdings entdecken immer mehr Forscher, dass es nicht einfach ist, selbstfahrenden Autos das „sichere Fahren“ beizubringen. Nehmen Sie als Beispiel eine Studie des US-Verkehrsministeriums aus dem Jahr 2010, die mehr als 2 Millionen Unfälle untersuchte und herausfand, dass Linksabbieger zwanzigmal häufiger zu Unfällen führen als Rechtsabbieger Im Bereich des autonomen Fahrens glaubt der Software-Ingenieur Nathaniel Fairfield, dass ungeschützte Linksabbieger zu den schwierigsten Dingen beim autonomen Fahren gehören. Professor John Leonard von der MIT-Abteilung für Maschinenbau gab auch zu, dass autonomes Fahren jeden Tag viele Herausforderungen mit sich bringt, und Linksabbieger stehen fast ganz oben auf der Problemliste.

Das Forschungsteam dieser Arbeit ist davon überzeugt, dass die wesentliche Ursache für Sicherheitsprobleme wie Linksabbiegeunfälle die Unterschiede in den Makrostrategien verschiedener Fahrzeuge bei der Interaktion sind. Anders als Mikrostrategien, die sich auf bestimmte Szenarien oder bestimmte Fahrverhaltensweisen konzentrieren, sind Makrostrategien eine Abstraktion typischer Elemente des Entscheidungsprozesses und werden durch die Hardwarebasis der autonomen Fahrstrategie und den Entscheidungsmechanismus bestimmt.

Daher wird in dieser Arbeit hauptsächlich diskutiert, welche Makrostrategien selbstfahrende Autos verfolgen sollten, um Kollisionsrisiken durch Fehleinschätzungen bei der Interaktion mit anderen Verkehrsteilnehmern zu vermeiden und Verkehrskonfliktgebiete geordnet zu passieren.

In dieser Arbeit schlug das Forschungsteam nach Durchsicht vorhandener Forschungsergebnisse zwei Hauptdimensionen zur Messung makroökonomischer Fahrstrategien vor:

• Bereitschaft zur Zusammenarbeit, das heißt, ob die Fahrperson bereit ist, im Austausch für Gesamtvorteile einen Teil aufzugeben Individuelle Interessen;
• Risikopräferenz, d. h. die Einstellung des Fahrsubjekts gegenüber den potenziellen Risiken, die die Fahrstrategie mit sich bringt.

Aufgrund der unterschiedlichen Gewichtung von Gesamtinteressen (ökologische Verkehrseffizienz etc.) und Einzelinteressen (Radgeschwindigkeit) lassen sich bestehende typische Fahrstrategien in zwei Kategorien einteilen: „konfrontatives Fahren“ und „kooperatives Fahren“.

Dabei werden konfrontative Fahrstrategien je nach Risikopräferenz weiter unterteilt in risikoscheue „defensive Fahrstrategien“, die Sicherheitsindikatoren bevorzugen, und risikoneutrale „Wettbewerbsfahrstrategien“, die Geschwindigkeitsindikatoren bevorzugen.

Die kooperative Fahrstrategie kann in eine „negative Fahrstrategie“, die nicht auf aktive Kommunikationsgeräte angewiesen ist, und eine „kooperative Fahrstrategie“, die auf aktiven Kommunikationsgeräten (Internet der Fahrzeuge, V2V usw.) beruht, unterteilt werden (Abbildung 1).

Abbildung 1: Vier Arten typischer Makro-Antriebsstrategien

In dieser Arbeit untersuchte das Forschungsteam den Betriebsmechanismus, die Kernaufgaben, die Interaktionslogik, den Entscheidungsmechanismus und die Hardwaregrundlage der oben genannten vier typische Fahrstrategien.

Konkret ist eine defensive Fahrstrategie definiert als: Annahme irrationaler Annahmen über andere Fahrzeuge (d. h. Annahme, dass die Wahrscheinlichkeit irrationalen Verhaltens hoch ist) und Festlegung, dass autonome Fahrzeuge unabhängige Entscheidungen treffen, mit dem Hauptzweck, ihre eigene Sicherheit zu gewährleisten. Strategie.

Wettbewerbsfähige Fahrstrategie ist definiert als: eine Fahrstrategie, die rationale Annahmen über andere Fahrzeuge annimmt (d. h. davon ausgeht, dass die Wahrscheinlichkeit irrationalen Verhaltens gering ist) und vorschreibt, dass autonome Fahrzeuge unabhängige Entscheidungen treffen, mit dem Hauptzweck, ihre eigene Effizienz zu verbessern .

Negative Fahrstrategie ist definiert als: Basierend auf dem Verständnis des traditionellen Fahrverhaltens führen autonome Fahrzeuge vernünftige Verhandlungen und gemeinsame Entscheidungen mit anderen Fahrzeugen im Austausch für eine Fahrstrategie, die sowohl Effizienz als auch Sicherheit berücksichtigt.

Kooperative Fahrstrategie ist definiert als: Mithilfe der Internet-of-Vehicles-Technologie kooperieren autonome Fahrzeuge mit anderen Fahrzeugen und akzeptieren einheitliche Versandanweisungen, um eine globale Optimierung zu erreichen.

Dann diskutierte das Team weiter die Vor- und Nachteile und Merkmale dieser vier Strategien.

Mit der Entwicklung der autonomen Fahrtechnologie in diesem Jahrhundert wurden erstmals defensive Fahrstrategien vorgeschlagen, da es viele Ähnlichkeiten zwischen dieser Fahrstrategie und menschlichen Fahrregeln gibt. Die Hauptziele bestehen darin, potenzielle Risiken zu beseitigen oder zu verringern.

Der größte Nachteil des defensiven Fahrens besteht jedoch darin, dass selbstfahrende Autos möglicherweise übermäßig redundant und konservativ sind, um Verkehrsunfälle mit geringer Wahrscheinlichkeit zu verhindern, was zu einer Verringerung der Verkehrseffizienz führt.

In der Originalversion des Responsibility Sensitive Safety (RSS)-Modells, das vom Intel Mobileye-Team [2] vorgeschlagen wurde, müssen selbstfahrende Autos beispielsweise einen ausreichenden Sicherheitsabstand einhalten, um das mögliche plötzliche Bremsverhalten von zu bewältigen jederzeit das vorausfahrende Auto (Abbildung 2).

Weitere Untersuchungen des Teams ergaben, dass selbstfahrende Autos unter Wahrung der Sicherheitsanforderungen den Folgeabstand um mehr als das Dreifache verkürzen können, wenn die Absichten des vorausfahrenden Fahrzeugs bei der Entscheidungsfindung berücksichtigt werden. Dies zeigt, dass nach Einführung der Interaktion auch eine verbesserte defensive Fahrweise für eine gewisse Verkehrseffizienz sorgen kann.

Relevante Forschungsergebnisse wurden auch öffentlich veröffentlicht und von Mobileye übernommen[3].

Abbildung 2: Die Bestimmungen zum Sicherheitsabstand in der von Mobileye veröffentlichten Originalversion des RSS [2]

Mit der Vertiefung der Forschung kamen nach und nach verschiedene Nachteile defensiver Fahrstrategien zum Vorschein, wie z. Terminplanung, Auswirkungen auf die Verkehrseffizienz usw.

Um diese Probleme zu lösen, wird das Konzept des „Lernens“ schrittweise in den Bereich des autonomen Fahrens eingeführt. Menschen versuchen, Maschinen beizubringen, Entscheidungen zwischen erwartetem Nutzen und potenziellen Risiken auf der Grundlage von Erfahrungen wie Menschen zu treffen.

Basierend auf dieser Idee entstand die wettbewerbsorientierte Fahrstrategie, die durch das MIT-Reinforcement-Learning-Modell Deep Traffic (Abbildung 3) dargestellt wird [4].

Geleitet von dieser Strategie betrachten autonome Fahrzeuge den Straßenverkehr als einen „nicht kooperativen dynamischen Spielprozess“ und suchen stets nach Möglichkeiten, die Fahreffizienz zu verbessern.

Allerdings ist es bei dieser Art von Fahrstrategie oft schwierig, zwei Probleme zu vermeiden:

1. Das durch Simulation verursachte Realismusproblem, nämlich die „Realitätslücke“. Diese Art von Fahrentscheidungsalgorithmus muss häufig in einem Simulationssystem ausgeführt werden, und der Trainingsprozess des Algorithmus hängt stark vom Umgebungsfeedback ab. Wie kann also sichergestellt werden, dass der Interaktionsprozess im Simulationssystem realistisch genug ist? Frage, die Forscher beantworten müssen;

2. Rationalität Potenzielle Risiken, die sich aus Annahmen ergeben, nehmen zu. Untersuchungen haben ergeben, dass selbstfahrende Autos mit fortschreitendem Training, da es weitaus mehr rationale als irrationale Individuen in der Simulationsumgebung gibt, riskante Verhaltensweisen „schmecken“ und zunehmend zu radikalem Fahrverhalten neigen können.[5] . Diese rationale Annahme kann zu Verkehrsstaus auf tatsächlichen Straßen führen.

Abbildung 3: Deep Traffic-Fahrentscheidungsmodell des MIT [4] (Bildquelle: https://selfdrivingcars.mit.edu/deeptraffic)

Daher wurde das Konzept des ausgehandelten Fahrens und sein Vorschlag vorgeschlagen Es wird ein Vorfahrtsverhandlungsmechanismus eingeführt, um Konflikte zwischen einzelnen Absichten auszugleichen. Das Forschungsteam fasste die Grundsätze, denen autonome Fahrzeuge bei der Aushandlung von Wegerechten mit anderen Fahrzeugen folgen müssen, in drei Punkten zusammen (Abbildung 4) [6]:

• Es ist notwendig, mit den Einschränkungen der Wahrnehmung konservativ umzugehen.
• Es ist notwendig, die Interaktion zwischen Fahrzeugen (einschließlich impliziter Kommunikation und aktiver Kommunikation) in die Entscheidungsfindung einzubeziehen.
• Es ist notwendig, ein Gleichgewicht herzustellen Verkehrssicherheit und Verkehrseffizienz, d. h. Berücksichtigen Sie strategische Agilität.

Auf dieser Grundlage hat das Forschungsteam mehrere Arbeiten veröffentlicht, in denen erörtert wird, wie in verschiedenen typischen Verkehrsszenarien effektive Fahrentscheidungen auf der Grundlage von Vorfahrtsverhandlungen getroffen werden können [7].

Abbildung 4: Drei Grundprinzipien, die beim sicheren Fahren hervorgehoben werden [6]

Allerdings ist das ausgehandelte Fahren durch die Menge an Kommunikationsinformationen begrenzt und hat noch nicht die maximale Auslastung der Straßenkapazität erreicht. Mit der Reife der aktiven Kommunikationstechnologie und der Entwicklung verteilter kollaborativer Entscheidungsmodelle in den letzten Jahren ist globales kollaboratives Fahren auf Basis des Internets der Fahrzeuge möglich geworden.

Die Grundannahme des kollaborativen Fahrens besteht darin, dass alle Straßenfahrzeuge ihre Statusinformationen an das zentrale Steuerungssystem melden und den vom System zur Bewegungssteuerung einheitlich vorgegebenen Manöverplan vollständig einhalten.

Unter dieser Annahme müssen autonome Fahrzeuge keine komplexen Flugbahnvorhersagen und Risikobewertungen mehr durchführen. Sie können Optimierungs- oder Suchmethoden verwenden, um die Nutzung von Straßenressourcen mit minimalen Rechenkosten zu maximieren (Abbildung 5) [8,9].

Abbildung 5: Vergleich der Verzögerung von 20 Fahrzeugen, die dieselbe Kreuzung mit unterschiedlichen Strategien passieren [9]

Aufzählung – aufzählungsbasierte globale optimale Lösung für kollaboratives Fahren (Latenz 315,06 s);

MCTS – basierend auf der Suche Die ungefähre optimale Lösung des kollaborativen Fahrens (Zeitverzögerung 316,18 s);

FIFO – die allgemeine Lösung des regelbasierten ausgehandelten Fahrens (Zeitverzögerung 382,54 s)

Die Realisierung des oben genannten kollaborativen Fahrens erfordert drei Voraussetzungen: auf der Fahrzeugseite , Automatisches Fahren muss abgeschlossen sein Fahren wird ersetzt und mit aktiver Kommunikationsausrüstung ausgestattet; Am Ende der Straße muss eine dichte intelligente Infrastruktur als Erfassungs- und Kommunikationsknoten, ein Kommunikationsnetzwerk mit geringer Latenz und hoher Parallelität bereitgestellt werden muss festgestellt werden.

Das bedeutet auch, dass kollaboratives Fahren kurzfristig scheitern wird. Wir müssen ernsthaft darüber nachdenken, wie wir der Realität des gemischten Fahrens von selbstfahrenden Autos und von Menschen gesteuerten Autos langfristig begegnen können.

Ein besorgniserregendes Problem ist, dass verschiedene Hersteller selbstfahrender Autos ihre eigenen Fahrstrategien haben. Dies kann dazu führen, dass einige selbstfahrende Autos die Strategien anderer Fahrzeuge aufgrund ihrer eigenen Strategien falsch einschätzen, was zu Unfällen führt. Daher fordern Forscher einen Konsens auf der Ebene der Fahrstrategie, um ein harmonischeres Fahren zu erreichen und die Fahrsicherheit zu verbessern.

Da sich das Niveau der maschinellen Intelligenz allmählich dem des Menschen annähert, wird die Frage, wie Maschinen in größerem Maßstab harmonisch mit Menschen koexistieren können, zu einer der wichtigsten wissenschaftlichen Fragen dieses Jahrhunderts.

Im von unserem Land veröffentlichten „Entwicklungsplan für künstliche Intelligenz der neuen Generation“ werden die Leitideologie, strategische Ziele und Schlüsselaufgaben für die Entwicklung der neuen Generation künstlicher Intelligenz meines Landes im Jahr 2030 vorgeschlagen. Unter ihnen ist künstliche Intelligenz für die Mensch-Maschine-Kollaboration eine wichtige Forschungsrichtung.

Autonomes Fahren ist ein repräsentatives Feld in der Entwicklung von Mensch-Maschine-Co-Driving auf Level 2-Level 5 und verschiedenen Fahrzeugkollaborationen auf Level-4-Level 5 Die Lösung dieser Probleme erfordert die Schnittstelle zwischen Verhaltensmodellierung, Mensch-Computer-Interaktion, Psychologie und anderen Disziplinen und erfordert mehr Aufmerksamkeit und Aufmerksamkeit.

Das obige ist der detaillierte Inhalt vonUmfassende Analyse der vier wichtigsten autonomen Fahrstrategien. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!