2021 Fiscal Year Research-status Report
数理最適化と機械学習に基づく高信頼・高効率な高密度自動運転車群制御システムの開発
| Project/Area Number |
20K04965
|
|---|
| Research Institution | Toyama Prefectural University |
|---|
Principal Investigator |
榊原 一紀 富山県立大学, 工学部, 准教授 (30388110)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大倉 裕貴 富山県立大学, 工学部, 助教 (20842777)
渡邉 真也 室蘭工業大学, 大学院工学研究科, 准教授 (30388136)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Keywords | ランダムフォレスト / モデル予測制御 / ゲーム理論 / マルチ・エージェント / 自動運転 / 群制御 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，自動運転車群が配備された大規模・高密度なスマートシティを対象とした自律制御と集中管理群制御が連携した安全かつ高効率な自動運転車群 制御手法の確立となる.そのため本研究課題では具体的に次の3つの段階に分けて進めていく:
(A)都市空間内における自動運転車の群制御を表現する数理計画モデルの開発
(B)(A)で得られた最適解を教師とする機械学習器の開発
(C)(B)で得られた学習結果を現実的かつ精緻に評価し，リファインするためのマルチエージェント・シミュレーション技法および教師なし学習技法の開発
この中で2021年度は主に(B)に焦点を当てて研究を進め，大きな進展があった．種々の状況(OD，車両の位置等)に対して，事前に経路計画を中心にゲーム理論に基づくモデルを構築し，準最適な計画を得た．当初は数理計画を予定していたが，計算量の観点から実現可能性が低かったため，ゲーム・モデルを構築した．ここでは，車両の速度制御に対して道路の混雑度を定量化した近似モデルを与え，経路計画を多エージェントによる交渉問題の枠組みで最適化している．これにより，数百台程度の車両の動きを最適化できるようになった．この手法を多様なODに対して適用することにより，教師データを作成した．この際，通勤・通学，平日・休日等の交通パターンや，季節性を踏まえた様々なシナリオを十全に用意しておく．つぎにこの教師を学習する学習器をランダムフォレストにより実現した．ここで得られた機械学習モデルは，オンラインかつ車両単位での意思決定を直接与えるものとなる．最終的に3種類の決定(車両割当，経路および速度)のうちで経路に関わる意思決定を機械学習で決定可能であることを見出したことになる．
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
機械学習結果により，都市全体で渋滞を回避可能な結果を得られている．この学習性能は当初予想していたものよりも優れているものであった．
|
| Strategy for Future Research Activity |
数千台規模の車両の動きのシミュレーションに拡張するために，車両1台1台のダイナミクスを表現可能な大規模都市交通シミュレータSUMOを採用する．SUMOは交差点上での車両の軌跡・位置関係を精緻に表現できるなど，シミュレーション精度は高い．SUMO上の車両エージェントに機械学習の結果を反映するために，最適化指向のマルチエージェント・シミュレーション技法を組み込む．マルチエージェント・シミュレーションによる評価(ODに対する待ち時間や旅行時間）を報酬とする状態-行動価値関数を，機械学習結果から構築し，強化学習を実現する．
|
| Causes of Carryover |
新型コロナウィルス感染拡大のため，参加予定であった学会が全てオンラインに変わったため，旅費の執行に変更が生じた.次年度以降では，主に学会での成果 発表に執行していくとともに，計算機評価をより充実するために経費執行を予定している.
|
