2019 Fiscal Year Annual Research Report
Development of Model Predictive Interactive Intelligence and Its Application to Autonomous Drive
| Project/Area Number |
19H00763
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
鈴木 達也 名古屋大学, 工学研究科, 教授 (50235967)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山口 拓真 名古屋大学, 未来社会創造機構, 特任助教 (30745964)
奥田 裕之 名古屋大学, 工学研究科, 助教 (90456690)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 運転行動モデル / 変数選択 / マルチプレーヤー型シミュレータ |
|---|
| Outline of Annual Research Achievements |
本研究では、以下の４つの研究課題に取り組む予定であるが、2019年度は。特に、以下の②に取り組んだ。
①自身の行動による影響を明記した周辺他者の行動モデルの選定、②インタラクションを伴う行動データの観測と行動モデルの機械学習、③行動モデルを用いた予測と実時間での制約付き最適化による行動決定、④実現された知能の検証と評価
②データに基づいた行動モデルのパラメータや構造の機械学習
行動予測モデルの機械学習はモデル予測型知能のコア技術の一つであり、制御工学の分野ではシステム同定問題と呼ばれ、様々な議論がなされてきた。本研究では、ハイブリッド系モデルと検定に基づく変数選択手法を融合し、パラメータのみではなくモデルの離散構造状態数）や連続系の構造（説明変数）をも同定可能な機械学習法（システム同定手法）を開発した。さらにはそれらのオンラインでの実行についても検討し、他者の行動モデルをオンラインでアップデート、分類、蓄積できるような新たな学習法の枠組み構築に取り組んだ。また、データ取得に関してはマルチプレーヤー型のドライビングシミュレータを活用した。研究室には同時可能稼働でリアルタイム通信により同じ交通環境を共有できるシミュレータが3台ある。加えて実際の歩行者もヘッドマウントディスプレイ（HMD）を着用することで交通環境を共有する形でシミュレーションに参加できる環境となっている。これにより、実車では計測が困難なインタラクションを伴う行動が計測でき、本応募研究を遂行する上での基礎データ取得が可能となった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初予定していた行動モデルの構築のめどが立ったことから、次のステップである、他者モデルを考慮したモデル予測型運転知能の構築のステップへと進むことが可能となっている。ただし、コロナウイルスの影響で、被験者実験のサンプル数自体は未だ十分とは言えず、その意味では、100%当初の計画通りというわけではない。今後はある程度のサンプル数を取集する実験と並行して、モデル予測型知能の開発を進める。
|
| Strategy for Future Research Activity |
実績概要の項目で述べた4つの項目のうち、2020年度は、項目③「行動モデルを用いた予測と実時間での制約付き最適化による行動決定」に取り組む。予測情報に基づく実時間での制約付き最適化による行動決定は、モデル予測型知能のもう一つのコア技術である。運転行動への適用を考える場合、100[msec]以内での処理が求められるが、離散変数を多く含むモデルを持つ場合、その実現は容易ではない。そこで本応募研究では、離散状態遷移にあらかじめ複数の「シナリオ」を用意し、想定したシナリオの範囲内で離散状態遷移と動作の最適化を行う手法を検討する。また、本研究では、「他者が持つ判断のあいまいさ（エントロピー）」を最小化するよう自己の行動を決定することが他者への配慮になる、との着想のもと、評価関数に判断のエントロピーを組み込むことを考える。これらの着想とこれまで開発した行動モデルを融合し、プロトタイプ車両への実装を試みることで、その可能性を検証する。特に計算時間の観点から見て無理があると判断した場合は、最適化の手法そのものを見直すか、行動モデルの複雑度を下げる等の対応を取り、計算時間制約を満たすよう修正をかける。また、深層学習によるモデルとのベンチマークも重要であると考えており、提案する枠組みが運転知能の実現という観点においてどのような特徴を有するかについての検証もスタートする予定である。
|
