Collaborative Decision-Making Using Spatiotemporal Graphs in Connected Autonomy
作者: Peng Gao, Yu Shen, Ming C. Lin
分类: cs.RO
发布日期: 2023-10-31
💡 一句话要点
提出基于时空图的协同决策方法以解决多机器人系统中的通信挑战
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 协同决策 时空图 图神经网络 多机器人系统 联网车辆 驾驶安全性 通信带宽
📋 核心要点
- 现有方法在有限通信带宽下难以有效整合多机器人系统的情境意识，导致决策能力不足。
- 本文提出将协同决策建模为分类问题，并使用时空图表示观察序列，以减少数据共享量。
- 实验表明，该方法在共享数据大小上减少超过100倍，并在驾驶安全性上提升超过30%。
📝 摘要（中文）
协同决策是多机器人系统（如联网车辆）在事故多发场景中共同控制自主车辆的关键能力。在有限的通信带宽下，整合联网代理的观察以捕捉全面的情境意识非常具有挑战性。本文提出了一种新颖的协同决策方法，能够高效整合协作者的表征以控制自我车辆。我们将协同决策建模为分类问题，首先将原始观察序列表示为时空图，从而显著减少在联网车辆之间共享的数据包大小。然后，我们设计了一种基于异构图学习的时空图神经网络，以统一的方式分析物体的空间和时间连接。实验结果表明，我们的表示方法在共享数据大小上实现了超过100倍的减少，并满足了联网自主驾驶的通信带宽要求，同时在驾驶安全性上提高了30%以上。
🔬 方法详解
问题定义：本文旨在解决多机器人系统中协同决策的通信挑战，现有方法在有限带宽下难以有效整合来自多个代理的观察数据，导致决策效率低下。
核心思路：我们将协同决策视为分类问题，通过将原始观察序列转化为时空图，显著减少需要共享的数据量，从而提高决策效率和准确性。
技术框架：整体架构包括数据采集、时空图构建、图神经网络分析和决策输出四个主要模块。首先，从各个车辆收集原始观察数据，然后构建时空图，接着利用图神经网络分析图中的空间和时间关系，最后输出决策结果。
关键创新：本研究的主要创新在于提出了一种基于异构图学习的时空图神经网络，能够统一分析物体的空间和时间连接，提升了协同决策的效率和准确性。与现有方法相比，我们的方法在数据共享和决策质量上有显著提升。
关键设计：在模型设计中，我们采用了特定的损失函数以优化分类效果，并通过调整图神经网络的层数和节点特征维度来提高模型的表达能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在共享数据大小上实现了超过100倍的减少，满足了联网自主驾驶的通信带宽要求。同时，在驾驶安全性方面，提升幅度超过30%，显著提高了多机器人系统的协同决策能力。
🎯 应用场景
该研究的潜在应用领域包括智能交通系统、无人驾驶汽车和多机器人协作等场景。通过提高协同决策的效率和安全性，该方法能够显著提升联网自主驾驶的可靠性，降低事故发生率，具有重要的实际价值和社会影响。
📄 摘要（原文）
Collaborative decision-making is an essential capability for multi-robot systems, such as connected vehicles, to collaboratively control autonomous vehicles in accident-prone scenarios. Under limited communication bandwidth, capturing comprehensive situational awareness by integrating connected agents' observation is very challenging. In this paper, we propose a novel collaborative decision-making method that efficiently and effectively integrates collaborators' representations to control the ego vehicle in accident-prone scenarios. Our approach formulates collaborative decision-making as a classification problem. We first represent sequences of raw observations as spatiotemporal graphs, which significantly reduce the package size to share among connected vehicles. Then we design a novel spatiotemporal graph neural network based on heterogeneous graph learning, which analyzes spatial and temporal connections of objects in a unified way for collaborative decision-making. We evaluate our approach using a high-fidelity simulator that considers realistic traffic, communication bandwidth, and vehicle sensing among connected autonomous vehicles. The experimental results show that our representation achieves over 100x reduction in the shared data size that meets the requirements of communication bandwidth for connected autonomous driving. In addition, our approach achieves over 30% improvements in driving safety.