PnP: Integrated Prediction and Planning for Interactive Lane Change in Dense Traffic

Das Kapitel geht den Herausforderungen nach, vor denen selbstfahrende Fahrzeuge stehen, wenn es darum geht, menschenähnliche Entscheidungen zu treffen, insbesondere in komplexen Verkehrsszenarien. Es stellt PnP vor, eine neuartige integrierte Vorhersage- und Planungsmethode, die Long Short-Term Memory (LSTM) und Graph Convolution Network (GCN) kombiniert, um die Reaktionen anderer Fahrzeuge auf das Verhalten des SDV vorherzusagen. Dieser Ansatz versetzt die SDV in die Lage, als aktiver Verkehrsteilnehmer zu agieren und die Sicherheit und Effizienz zu verbessern. Die Methode wird durch umfangreiche Experimente mit dem CARLA-Simulator validiert, die eine überlegene Leistung im Vergleich zu bestehenden modellfreien und modellbasierten Bewehrungslernbaselines zeigen. Das Kapitel bietet außerdem einen umfassenden Überblick über den Entscheidungsprozess bei dichtem Verkehr, der als Markov-Entscheidungsprozess (MDP) modelliert ist, und die Verwendung der TD-Suche zur effizienten Schätzung von Wertfunktionen. Die Integration von Vorhersage und Planung in PnP stellt einen bedeutenden Fortschritt im Bereich des autonomen Fahrens dar und bietet eine vielversprechende Lösung für die Herausforderungen interaktiver Spurwechsel im dichten Verkehr.