ハイブリッド学習・最適化フレームワークによる信頼性とリアルタイム性を備えた高速道路軌道計画

要旨: 自動運転の高速道路走行では、反応時間が限られているため高速の安全リスクが伴い、まれではあるが危険な事象が重篤な結果につながる可能性があります。これにより、軌道計画には信頼性と計算効率の両面で厳格な要件が課されます。本論文は、学習ベースの適応性と最適化ベースの形式的な安全保証を統合するハイブリッド高速道路軌道計画（H-HTP）フレームワークを提案します。主要な設計原則は、意図的に分業を行うことです。すなわち、学習モジュールが交通状況に適応した速度プロファイルを生成し、一方で衝突回避や運動学的実現可能性などの安全性に関わる意思決定はすべて、混合整数2次計画（MIQP）に委ねます。この設計により、複数車両の相互作用が複雑であっても、形式的な安全制約が常に確実に強制されます。車両の幾何形状に対する線形化戦略により整数変数の数が大幅に削減され、形式的な安全保証を損なうことなくリアルタイム最適化を可能にします。HighDデータセットでの実験により、H-HTPは97%を超えるシナリオ成功率を達成し、平均計画サイクル時間は約54 msでした。安全性が厳しく求められる高速道路シナリオにおいて、滑らかで、運動学的に実現可能で、衝突のない軌道を確実に生成します。