Planning or decision making algorithms of autonomous driving technology are often verified in a simulation environment before being tested in a real road environment. With the development of simulators, traffic flow from a spare road to a densely packed road is being implemented well. However, driver models that represent human behavior while interacting with other vehicles are still lacking. The decision is mostly made in the direction of yielding to cut in vehicles, and there is a difference in degree. For this reason, trade off between the efficiency and safety are being shown in poor level which leads to the poor performance of validating or training the algorithm of motion planning. Some models that represent errors of the human driver have been developed but do not represent the drivers that act offensively with their intention. This paper focuses on the driver model for highways and simulation environments. Single or multiple lane changes occur on highways and these kinds of lane changing algorithms are being tested in the simulation environment. However, with these kinds of driver models, the trade off between the lane change success rate and collision avoidance rate is weak and often shows high performance regardless of t he complexity of the traffic. Considering many of the motion planning researches are done with a learning based method, the training environment does not fully represent the real road environment, thus ending up in a failure in a real road test. The propos ed driver model can both choose to yield and non yield depending on the parameters we set, and the degree of aggressiveness can also be set. This model can be used as an intentionally non yielding aggressive driver, as well as a common car following model in cut in simulation. Helping to test many algorithms in harsh traffic conditions and helping learning based models to be trained for handling unfriendly drivers on road.
자율주행 기술의 경로계획 또는 판단 알고리즘은 실제 도로 환경에서 시험되기 전에 시뮬레이션 환경에서 먼저 검증되는 경우가 많습니다 시뮬레이터의 발달로 한적한 도로부터 밀집된 도로까지 다양한 교통흐름이 잘 구현되고 있습니다 그러나 다른 차량과 상호작용하면서 인간의 행동을 모방하는 운전자 모델의 경우 여전히 부족한 것이 많습니다 대부분 끼어드는 차량에 대해 양보하는 방향으로 결정을 내리고 양보의 정도에만 차이가 있을 뿐입니다 따라서 알고리즘의 성능을 확인하는 부분에서 효율성과 안전성 간의 상충관계가 잘 드러나지 않고 이는 알고리즘의 평가 또는 네트워크를 통한 학습의 성능저하를 불러옵니다 운전자의 실수로 인한 오류를 나타내는 모델들이 일부 개발되었지만 의도적으로 공격적으로 운전하는 운전자를 나타내지는 않습니다 이 논문에서는 고속도로 환경에서 사용될 운전자 모델을 개발하였습니다 고속도로 환경
에서는 직진 주행과 더불어 단일 또는 여러 개의 차선 변경이 발생하고 이러한 차선 변경 알고리즘들은 시뮬레이션 환경에서 시험되고 있습니다 그러나 기존 운전자 모델을 활용한 환경에서는 차선 변경 성공률과 충돌 회피 비율 간의 이해상충 관계가 약하게 나타나 교통 흐름의 복잡성과 관계없이 높은 성능의 알고리즘인 것처럼 나타나는 경우가 많습니다 오늘날 많은 경로계획 및 판단 알고리즘들이 러닝 베이스로 연구되고 있는 것을 감안할 때 이러한 실제 도로환경을 제대로
묘사하지 못한 환경에서 학습하는 것은 실제 도로에서 실패하는 방향으로 학습되는 결과를 초래합니다 본 논문에서 제안된 운전자 모델은 설정할 수 있는 매개변수에 따라 특정 상황에서 양보와 비 양보를 모두 선택할 수 있는 모델을 표현하고 공격적인 성향의 정도 또한 설정할 수 있습니다 이 모델은 고속도로 환경에서 일반적인 차량 추종 운전자모델 뿐 아니라 끼어들기 상황에서의 공격적인 운전자 모델을 표현함으로써 다양한 교통 환경을 표현하는데 쓰일 수 있습니다 위험한 상황을 잘 대처하는 룰 기반의 알고리즘 검증부터 비 우호적인 차량들에 잘 대처할 수 있는 러닝 기반 모델의 학습에도 사용될 수 있습니다 따라서 다양한 자율주행 알고리즘 검 증과 더불어 네트워크 모델 학습을 위한 다양한 교통 환경 표현에 모두 사용될 수 있는 비우호적인 운전자 모델이라 할 수 있습니다 특히 본 연구에서 진행된 실험에서 더 비우호적인 운전자 모델을 통해 동일 알고리즘에 대해 차선변경 성공률과 충돌 회피 비율 간의 더 명확한 상충관계가 나타났음을 고려할 때 , 상충관계 정도를 조절할 수 있는 다양한 네트워크 학습 환경을 표현할 수 있을 것으로 기대된다
