2019 Fiscal Year Annual Research Report
Optimization of freeway traffic flow with exogenous control of autonomous vehicles
| Project/Area Number |
19H02268
|
|---|
| Research Institution | Ritsumeikan University |
|---|
Principal Investigator |
塩見 康博 立命館大学, 理工学部, 准教授 (40422993)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
柳原 正実 首都大学東京, 都市環境科学研究科, 助教 (20739560)
服部 宏充 立命館大学, 情報理工学部, 准教授 (50455581)
吉井 稔雄 愛媛大学, 理工学研究科(工学系), 教授 (90262120)
瀬尾 亨 東京大学, 大学院工学系研究科(工学部), 助教 (90774779)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 交通流 / 自動運転 / 深層学習 / データ同化 / 強化学習 |
|---|
| Outline of Annual Research Achievements |
本研究課題は，1) 深層学習を用いたデータ駆動型車両挙動モデルの開発とミクロ交通流シミュレーションへの実装（サブテーマ1），2) 多種データの融合利用による全車両走行軌跡を動的に推定する手法の構築（サブテーマ2），3) モンテカルロ木探索を用いた車線変更を含むCA車両の挙動制御アルゴリズムの開発（サブテーマ3），に取り組むものである．2019年度中の具体的な取り組み内容は以下の通りである．
まず，サブテーマ1については，近年の深層学習に関する包括的なレビューを行ったのち，高速道路における全車両走行軌跡データを用いたデータ駆動型車両挙動モデルの構築に取り組んだ．検討の手始めとして，車線変更を含まない単純な追従状況を想定し，当該車両の加減速状況を離散的に予測するモデルを構築した．また，その知見に基づき，CNNを援用し，次タイムステップにおける車両速度を予測するモデルを構築し，既存の数理的な追従モデルより高い精度で車両挙動が再現できることを確認した．今後はモデルの改善を図るとともに，より複雑な車両挙動をモデル化の対象とする．
サブテーマ2については，商用ミクロ交通流シミュレータとリアルタイムで取得される車両検知器データ，および車両走行軌跡データを融合するデータ同化システムを構築した．具体的には，データ同化アルゴリズムとしてパーティクルフィルタを用い，5分ごとに収集されたデータとの整合性を最大化する形でミクロ交通流シミュレーションを実行し，現況の交通状況を逐次的に再現するシステムを構築した．その結果，自由流中では微細な速度変動を精度よく再現可能であるものの，用いたシミュレータの仕様上の制約のため，渋滞の発生過程の再現性に課題があることが明らかとなった．
サブテーマ3については，包括的な文献調査を行った結果，車線変更を伴う分合流挙動の最適化に焦点を絞って取り組むこととした．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
3つのサブテーマのうち，2つについては初歩的ではあるものの具体的なアウトプットを得ており，2020年度以降で発展させる方向性が明確に定まっている．残る1つについては，アウトプットが得られていないものの，研究を進める環境や取り組む方針は決まっており，2020年度中には何らかのアウトプットが出せるものと考えている．
|
| Strategy for Future Research Activity |
まず，データ駆動型の車両挙動に関して，2019年度はCNNを用いたモデルを試行し，一定の精度で車両挙動を再現できることを確認した．ただし，車種別ではあるものの進行方向への追従挙動にのみを対象としたため，今年度は追従挙動特性によって車両を分類し，それぞれに学習モデルを構築する．その際，車線変更を含む挙動の学習を目指す．また，車両挙動としての明確な因果関係や他区間への転用可能性を考慮するため，今年度は関係主体の物理的な法則性を担保するハミルトニアンニューラルネットワークや転移学習の適用を行う．
次に，ミクロ交通状態推定システムに関しては，商用シミュレーターを用いたため，シミュレーション設定の自由度に課題があり，それがシステム構築上のボトルネックとなることが判明した．具体的には，任意の状態からのシミュレーションの再開に制約があること，また，特定車両の走行軌跡をシミュレーション内で指定することができないことが，データ同化を行う上で制約となった．今年度はこれらの課題を克服するために，外部スクリプトの適用や他のシミュレータの利用を検討し，ミクロデータ同化の精度向上を目指す．
最後に全体最適に向けた車両挙動の強化学習に関しては，分合流区間を対象に，分流・合流車両挙動や本線車両挙動の最適化を行う．その際，CA車両の混入率（車両挙動を制御可能な車両の割合，および存在位置が既知の車両の割合）やランプ間OD交通量の違いによる交通状態の改善効果を評価する．また，従来手法（たとえば，SIPで検討されている本線の交通流の感知，およびETC2.0を使った合流車両への情報提供を行った場合）との交通状態の改善効果の比較を行う．
|
Research Products
(11 results)
