概要: 人間が運転する車両（HDV）と自動運転車両（AV）が共存するハイブリッド交通環境において、AVプラトーニングのための安全かつ堅牢な意思決定を実現することは、依然として複雑な課題である。既存のプラトーニングシステムは、特に複雑かつ動的な混交通条件下で、動的なフォーメーション管理や適応性にしばしば対応できない。本論文では、このようなハイブリッド環境における自動運転車両のプラトーニングを強化するために、TriCoD（双世界の安全性を高める Data-Model-Knowledge Triple-Driven 協調意思決定フレームワーク）を提案する。本フレームワークは、深層強化学習（DRL）とモデル駆動型アプローチを統合し、安全を最優先する双世界推論メカニズムによって、動的なフォーメーションの解体と再構成を可能にする。DRLコンポーネントは従来のモデル駆動型手法を補完し、特に緊急時において、安全性と運用効率の両方を高める。さらに、適応的なスイッチングメカニズムにより、システムはリアルタイムの交通需要に基づいてデータ駆動型戦略とモデル駆動型戦略をシームレスに切り替えることができ、意思決定能力と適応性を最適化する。シミュレーション実験およびハードウェア・イン・ザ・ループ試験により、提案フレームワークが安全性、堅牢性、柔軟性を大幅に向上させることが示される。
安全で頑健な自律走行車の隊列走行に向けて：自己組織化型の協調制御フレームワーク
arXiv cs.RO / 2026/4/7
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、有人運転車（HDV）を含むハイブリッド交通における、安全で頑健な自律走行車（AV）隊列走行の課題を扱っており、動的な条件下では編隊制御と適応性が困難である。
- モデル駆動型手法と深層強化学習（DRL）を組み合わせた、安全性を高めた双世界（twin-world）に基づくデータ・モデル・知識協調意思決定フレームワーク「TriCoD」を提案する。
- TriCoDは、安全を優先する双世界の推論メカニズムにより、緊急時シナリオへの対応をより適切に行えるよう、編隊の動的な解体と再構成を可能にする。
- このフレームワークは、データ駆動型とモデル駆動型の戦略をリアルタイムで切り替える適応的なスイッチング機構を用い、柔軟性と効率を向上させる。
- シミュレーションおよびハードウェア・イン・ザ・ループ実験の結果により、AV隊列走行において安全性、頑健性、適応性が大きく向上することが示されている。
