リスク認識制御のための多段階信念空間力学学習

自律走行車が簡略化された研究環境から実用的な用途へと移行するにつれて、人間の運転と自動運転システムの間の動的挙動のギャップが拡大している。人間のドライバーは直感と経験に基づいて複雑な環境でリスクを認識した意思決定を行うことができるが、従来の自動運転システムはしばしば過度に保守的であるか、ロバスト性に欠ける。現実世界の要求に対応するためには、リスク認識行動を自然に発展させる必要があり、その主要な課題は、動的不確実性が時間とともにどのように進化するかを予測し、過度に保守的になることなくそれを考慮した計画を最適化することである。

この課題に対して、本研究はモデル予測制御（MPC）のために分布力学を予測し、リアルタイムで最適化できる学習フレームワークを提案する。著者らは、MPCで分布力学を学習する際の構造の重要性を探求し、適切な構造化設計が予測精度と計画性能を大幅に向上させることを示した。この知見を検証するため、実際のオフロード運転の大規模データセットを用いて厳密なアブレーション研究を実施し、提案構造からの逸脱が性能に与える影響を体系的に比較した。結果は、提案構造の有効性と必要性を強く示している。

さらに、学習済みモデルと計画スタックをフルサイズ車両に展開し、困難なオフロード条件でテストした。テスト結果は、計画アーキテクチャが環境に基づいて車両速度を自然に調整し、数マイルにわたる多様な地形で一貫してインテリジェントでロバストな運転挙動を示すことを実証した。この研究は、リスク認識自動運転の実現に向けた実用的なソリューションを提供し、理論研究から実用化への橋渡しとなる。