SwapTransformer: highway overtaking tactical planner model via imitation learning on OSHA dataset

📄 arXiv: 2401.01425v1 📥 PDF

作者: Alireza Shamsoshoara, Safin B Salih, Pedram Aghazadeh

分类: cs.AI, cs.CV, cs.LG, cs.RO

发布日期: 2024-01-02

备注: 19 pages, 12 Figures, 1 Algorithm, 2 Tables

💡 一句话要点

提出SwapTransformer以解决高速公路超车决策问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 高速公路决策 模仿学习 自动驾驶 交通管理 深度学习 多头自注意力 动态环境

📋 核心要点

  1. 现有方法在高速公路场景中对变道和超车的决策能力不足，难以有效应对复杂的交通环境。
  2. 论文提出SwapTransformer架构，采用模仿学习方法，并引入辅助任务以增强模型对环境的理解。
  3. 实验结果表明，SwapTransformer在不同交通密度下的超车表现优于基线模型，提升了决策效率。

📝 摘要（中文）

本文研究了高速公路场景中的高层决策问题，特别是关于变道和超越慢速车辆的策略。旨在改善自动超车和变道的旅行辅助功能。收集了约900万条样本，包括车道图像和其他动态物体，构建了超车模拟高速公路（OSHA）数据集。为了解决这一问题，设计并实现了一种名为SwapTransformer的架构，采用模仿学习方法，并提出了未来点和车辆距离网络预测等辅助任务，以帮助模型更好地理解周围环境。通过与多层感知器（MLP）和多头自注意力网络的比较，评估了模型在不同交通密度下的表现，结果显示SwapTransformer在推理阶段优于其他模型。

🔬 方法详解

问题定义：本文旨在解决高速公路场景中变道和超车的高层决策问题。现有方法在处理复杂交通环境时表现不佳，难以有效预测和应对动态变化。

核心思路：SwapTransformer架构通过模仿学习来模拟人类驾驶行为，并引入辅助任务（如未来点预测和车辆距离预测），以提高模型对周围环境的理解和决策能力。

技术框架：整体架构包括输入层（接收车道图像和动态物体信息）、SwapTransformer模块（进行决策处理）、辅助任务模块（提供额外信息）和输出层（生成决策结果）。

关键创新：SwapTransformer的核心创新在于结合模仿学习与辅助任务，显著提升了模型在复杂交通场景中的决策能力，与传统方法相比，能够更好地应对动态变化。

关键设计：模型采用特定的损失函数来平衡主任务与辅助任务的训练，网络结构中使用了多头自注意力机制以增强信息捕捉能力，同时在训练过程中进行了大量的超参数调优，以确保模型的稳定性和性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SwapTransformer在不同交通密度下的推理性能优于多层感知器（MLP）和多头自注意力网络，具体表现为每圈完成时间更短、超车次数更多、与限速的速度差异更小，证明了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车的决策系统、智能交通管理和车联网技术。通过提升高速公路超车的决策能力，能够有效提高行车安全性和交通效率，未来可能对智能交通系统的发展产生深远影响。

📄 摘要（原文）

This paper investigates the high-level decision-making problem in highway scenarios regarding lane changing and over-taking other slower vehicles. In particular, this paper aims to improve the Travel Assist feature for automatic overtaking and lane changes on highways. About 9 million samples including lane images and other dynamic objects are collected in simulation. This data; Overtaking on Simulated HighwAys (OSHA) dataset is released to tackle this challenge. To solve this problem, an architecture called SwapTransformer is designed and implemented as an imitation learning approach on the OSHA dataset. Moreover, auxiliary tasks such as future points and car distance network predictions are proposed to aid the model in better understanding the surrounding environment. The performance of the proposed solution is compared with a multi-layer perceptron (MLP) and multi-head self-attention networks as baselines in a simulation environment. We also demonstrate the performance of the model with and without auxiliary tasks. All models are evaluated based on different metrics such as time to finish each lap, number of overtakes, and speed difference with speed limit. The evaluation shows that the SwapTransformer model outperforms other models in different traffic densities in the inference phase.