MPCFormer：説明可能なソーシャル意識型自動運転のための、物理に基づくデータ駆動アプローチ

概要: 自動運転（AD）車両は、極めて動的で相互に作用する交通シナリオにおいて、人間のような振る舞いを示すことが依然として難しい。主要な課題は、ソーシャル相互作用の基盤となるメカニズムを理解できていないことに大きく起因し、周囲の車両と相互作用する能力がADでは限られている点にある。そこで本研究では、物理に基づく（physics-informed）かつデータ駆動の結合ソーシャル相互作用ダイナミクスを用いた、説明可能なソーシャル認識型の自動運転アプローチであるMPCFormerを提案する。本モデルではダイナミクスを離散的な状態空間表現として定式化し、説明可能性を高めるために物理の事前知識（prior）を埋め込む。ダイナミクス係数は、Transformerベースのエンコーダ・デコーダ構造により自然走行データから学習する。私たちの知る限り、MPCFormerは複数車両のソーシャル相互作用のダイナミクスを明示的にモデル化することにより、初めてのアプローチである。学習されたソーシャル相互作用ダイナミクスにより、周囲の交通と相互作用する際に、流線的で人間のような振る舞いをプランナーが生成できるようになる。MPCフレームワークを活用することで、このアプローチは、純粋に学習ベースの手法に典型的に伴う潜在的な安全リスクを軽減する。NGSIMデータセットに対するオープンループ評価では、MPCFormerが他の最先端アプローチと比べて、最も低い軌道予測誤差を達成し、優れたソーシャル相互作用認識を示す。予測は、5秒という長い予測ホライゾンにおいて、ADEが最大0.86 mまで低いことが達成される。さらに、オフランプを出るために連続した車線変更が必要となる、非常に強い相互作用シナリオにおけるクローズドループ実験によっても、MPCFormerの有効性が裏付けられる。結果は、MPCFormerが最も高い計画成功率94.67%を達成し、運転効率を15.75%向上させ、衝突率を21.25%から0.5%へと低減し、最前線の強化学習（RL）ベースのプランナーを上回ることを示す。