Die Fähigkeiten von automatisierten Fahrzeugen entwickeln sich zwar rasch weiter, doch fehlt ihnen noch immer eine wesentliche Komponente, die sie von ihren menschlichen Gegenstücken unterscheidet: die Fähigkeit zur impliziten Kooperation mit anderen. Die Interaktionen zwischen automatisierten Fahrzeugen und Menschen stellen nach wie vor eine Herausforderung im Bereich des automatisierten Fahrens dar. Um diese zu überwinden, ist es erforderlich, künftige automatisierte Fahrzeuge mit der Fähigkeit auszustatten, implizit Kooperation einzufordern und anbieten zu können, um eine reibungslose Integration in den heutigen heterogenen Verkehr zu ermöglichen. Diese Form des Vorausschauens kann erreicht werden, indem alle möglichen Aktionen der Verkehrsteilnehmer berücksichtigt werden. Diese Betrachtung schafft jedoch eine Interdependenz zwischen den Aktionen der Verkehrsteilnehmer, die eine Kombination der Prädiktion und der Planung in einem Multiagenten-Markov-Entscheidungsprozess erfordert. In dieser Arbeit wird ein System vorgeschlagen, das Prädiktion und Planung kombiniert, indem das Problem als ein Multiagenten-Markov-Entscheidungsprozess modelliert wird, der alle möglichen Aktionen der Verkehrsteilnehmer berücksichtigt. Monte Carlo Tree Search wird in Verbindung mit Decoupled Upper Confidence Bound for Trees eingesetzt, um nahezu optimale Trajektorien für alle Verkehrsteilnehmer zu identifizieren, was zu einem Trajektorienplaner führt, welcher implizite Kooperation zwischen Verkehrsteilnehmern ermöglicht. Verschiedene Verbesserungen des Basisalgorithmus, wie Parallelisierung und Hyperparameter-Optimierung, wurden entwickelt, um die Leistung zu steigern und bessere Lösungen in kürzerer Zeit zu erzeugen. Darüber hinaus wurde der Planer mit gelernten Belohnungsmodellen auf der Grundlage von Expertentrajektorien erweitert, basierend auf inversem Reinforcement Learning, die es ihm ermöglichen, sich an den gewünschten menschlichen Fahrstil anzupassen, um eine reibungslose Integration in menschenzentrierten Verkehr zu ermöglichen. Die Wirksamkeit des vorgeschlagenen Ansatzes wurde in 15 anspruchsvollen Multiagentenszenarien demonstriert, wobei sich die Erfolgsquote im Vergleich zu einer Basislösung deutlich verbesserte.


    Access

    Download

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Implicit cooperative decision-making for automated vehicles

    Kurzer, Karl | TIBKAT | 2023

    Free access

    Cooperative decision making for connected automated vehicles in multiple driving scenarios

    Jinzhu Wang / Zhixiong Ma / Xichan Zhu et al. | DOAJ | 2023

    Free access

    Cooperative decision making for connected automated vehicles in multiple driving scenarios

    Wang, Jinzhu / Ma, Zhixiong / Zhu, Xichan et al. | Wiley | 2023

    Free access

    Tactical Decision Making for Cooperative Vehicles Using Reachable Sets

    Manzinger, Stefanie / Althoff, Matthias | IEEE | 2018