数理最適化と機械学習に基づく高信頼・高効率な高密度自動運転車群制御システムの開発

基于数学优化和机器学习开发高可靠、高效的高密度自动驾驶车队控制系统

• 批准号: 20K04965
• 负责人: 榊原 一紀
• 金额: $ 2.75万
• 依托单位: Toyama Prefectural University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20K04965/
• 关键词: モデル予測制御; ランダムフォレスト; マルチエージェント; 群制御; ゲーム理論; マルチ・エージェント; 自動運転; 自動運転車; 数理計画; メタヒューリスティクス; 機械学習; 最適化

本研究の目的は，自動運転車群が配備された大規模・高密度なスマートシティを対象とした自律制御と集中管理群制御が連携した安全かつ高効率な自動運転車群 制御手法の確立となる.そのため本研究課題では具体的に次の3つの段階に分けて進めていく:(A)都市空間内における自動運転車の群制御を表現する数理計画モデルの開発(B)(A)で得られた最適解を教師とする機械学習器の開発(C)(B)で得られた学習結果を現実的かつ精緻に評価し，リファインするためのマルチエージェント・シミュレーション技法および教師なし学習技法の開発この中でも2022年度は主に，(B)および(C)に焦点を当てて研究を進めた．数百台規模の車両の動きをシミュレーションするために，車両1台1台のダイナミクスを表現可能な大規模都市交通シミュレータSUMOを採用した．SUMOは交差点上での車両の軌跡・位置関係を精緻に表現できるなど，シミュレーション精度は高い．SUMO上の車両エージェントに機械学習の結果を反映するために，前述の最適化指向のマルチエージェント・シミュレーション技法を組み込んだ．マルチエージェント・シミュレーションによる評価(ODに対する待ち時間や旅行時間）を報酬とする状態-行動価値関数を，(B)の機械学習結果から構築し，モデル予測制御の枠組みで経路計画法を構築した．さらに，この経路計画法の結果を教師として，機械学習器を実装した．これは前年度に構築したランダムフォレスト法を前提としている．これにより，リアルタイムでの意思決定を可能とするものとなった．

The purpose of this study is youdaoplaceholder7 が equipped with automatic car transport planning group さ れ た large-scale, high-density な ス マ ー ト シ テ ィ を like と seaborne し た と self-discipline system initiates a centralized management system of group of royal が し link-up た security か つ high working rate な automatic car transport planning group System method of equestrian の establish と な る. そ の た め this research topic で は specific に の 3 つ の Duan Jie に points け て in め て い く : (A) within urban space に お け る automatic car transport planning system of imperial を の group performance す る mathematical program モ デ ル の open 発 (B) (A) で ら れ を teachers' た optimal solution と す る mechanical learning の open 発 (C) (B) で ら れ た learning Results を presently be か つ delicate に review 価 し, リ フ ァ イ ン す る た め の マ ル チ エ ー ジ ェ ン ト · シ ミ ュ レ ー シ ョ ン techniques お よ び teachers な し learning techniques の open 発 こ の in で も 2022 は に Lord, (B) お よ び (C) に focus を when て を て research into め た. Hundreds of scale の car struck の dynamic き を シ ミ ュ レ ー シ ョ ン す る た め に, car struck 1 1 の ダ イ ナ ミ ク ス を performance may な large-scale urban traffic シ ミ ュ レ ー タ SUMO を using し た. The SUMO <s:1> intersection point on the で vehicle is related to the <s:1> trajectory and position, with a を exquisite に performance, で に るな るな シ, シ シ ュレ ショ ショ ショ ショ, and <s:1> high precision <e:1>. の car struck on the SUMO エ ー ジ ェ ン ト に の mechanical study を reflect す る た め に, the foregoing の optimization to の マ ル チ エ ー ジ ェ ン ト · シ ミ ュ レ ー シ ョ ン techniques を group み 込 ん だ. マ ル チ エ ー ジ ェ ン ト · シ ミ ュ レ ー シ ョ ン に よ る review 価 (OD に す seaborne る) for ち や time travel time を remuneration と す る state - action 価 numerical number of masato を, (B) の rote learning results か ら build し モ デ ル to our royal の 枠 group み で を 経 road planning to construct し た. Youdaoplaceholder0, た <s:1> route planning method <e:1> result を teacher と て て machine learning device を actual installation た た. The に れ る of the previous year に builds the <s:1> たラ ダムフォレスト ダムフォレスト ダムフォレスト law を premise と て て る る る る る る る る る る る る る る る る る る. The will to determine を may also be とする タ となった となった となった となった となった となった.

项目成果

高密度移動体運行最適化のための数理計画モデルの一構成法

一种高密度移动车辆运行优化数学规划模型构建方法

• 发表时间: 2020
• 作者: 杉山達也;榊原一紀;中村正樹;大倉裕貴;稲元勉;玉置久
• 通讯作者: 玉置久

自動運転車群運行の全体最適化のための機械学習を用いたモデル予測制御

使用机器学习进行模型预测控制，以实现自动驾驶车队运营的整体优化

• 发表时间: 2022
• 作者: 吉田暉;松﨑仁平;榊原一紀;中村正樹
• 通讯作者: 中村正樹

シェアリング車両群最適運行のための数理計画モデルの一構成法

一种构建共享车队优化运营数学规划模型的方法

• 发表时间: 2021
• 作者: 吉田暉;松﨑仁平;榊原一紀;中村正樹;吉田暉，松崎仁平，榊原一紀，中村正樹;増川純一;杉山達也・榊原一紀・中村正樹・稲元勉・玉置久
• 通讯作者: 杉山達也・榊原一紀・中村正樹・稲元勉・玉置久

自動運転車群運行の全体最適化

自动驾驶车队运营整体优化

• 发表时间: 2021
• 作者: 吉田暉;松﨑仁平;榊原一紀;中村正樹
• 通讯作者: 中村正樹

A Mathematical Programming Model for Operational Planning of Autonomous Vehicles in High-Density Areas

高密度区域自动驾驶车辆运营规划的数学规划模型

• 发表时间: 2020
• 作者: T. Sugiyama;K. Sakakibara;M. Nakamura;T. Inamoto;and H. Tamaki
• 通讯作者: and H. Tamaki