Toward Self-Driving Safety: Chassis Dynamics Domain Control for Automated Vehicles

点击翻译按钮获取中文摘要

申請者は、人間が本来持っている運転メカニズムに着想を得て、動的な交通流を多くの情報が含まれる画像によって表現し、畳み込みニューラルネットワーク（CNN）に基づいて収集した運転データセットから、運転戦略を学習する包括的な深層学習方式を開発することを試みている。自車両を取り巻く交通流の包括的かつ動的な特徴を効果的に捉え、全ての近隣車両の時空間情報を処理することで、動的な運動を画像によって表現する。次に、時系列の時空間画像と、ラベル付けされた運転行動を、提案するCNNモデルに供給する。このネットワークは、基盤となる運動パターンを抽出し、横方向の操作と縦方向の速度の両方を含む、適切な運転行動を学習することができる。交通データセットを収集し、提案手法を検討するために、Simulation of Urban Mobility (SUMO)に基づくシミュレーション・プラットフォームを構築した。また、提案手法の性能をさらに評価するために、次世代シミュレーション（NGSIM）の実交通のデータセットも調査した。その結果、提案手法の有効性が典型的な高速道路シナリオで実証された。提案手法は自動運転車両の実装に貢献することが示唆された。これらの成果は1件の雑誌論文と1件の査読付き国際会議にて発表された。自動制御車両のシャシダイナミクスを研究することを計画していたが、自動運転車両のアーキテクチャ全体の観点から、意思決定モジュール、人間の主観的経験、シャーシ制御モジュールについて研究を行い、想定以上の成果を上げることができた。