elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

DeepGame-TP: Integrating Dynamic Game Theory and Deep Learning for Trajectory Planning

Lucente, Giovanni und Maarssoe, Mikkel Skov und Konthala, Sanath Himasekhar und Abulehia, Anas und Dariani, Reza und Schindler, Julian (2024) DeepGame-TP: Integrating Dynamic Game Theory and Deep Learning for Trajectory Planning. IEEE Open Journal of Intelligent Transportation Systems. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.36227/techrxiv.172651860.08700487/v2. ISSN 2687-7813.

[img] PDF - Nur DLR-intern zugänglich - Preprintversion (eingereichte Entwurfsversion)
3MB

Offizielle URL: https://www.techrxiv.org/doi/full/10.36227/techrxiv.172651860.08700487/v2

Kurzfassung

Trajectory planning for automated vehicles in traffic has been challenging task and a hot topic in recent research. The need for flexibility, transparency, interpretability and predictability poses challenges in deploying data-driven approaches in this safety-critical application. This paper proposes DeepGame-TP, a game-theoretical trajectory planner that uses deep learning to model each agent's cost function and adjust it based on observed behavior. In particular, a LSTM network predicts each agent's desired speed, forming a penalizing term that reflects aggressiveness in the cost function. Experiments demonstrated significant advantages of this innovative framework, highlighting the adaptability of DeepGame-TP in intersection, overtaking, car following and merging scenarios. It effectively avoids dangerous situations that could arise from incorrect cost function estimates. The approach is suitable for real-time applications, solving the Generalized Nash Equilibrium Problem (GNEP) in scenarios with up to four vehicles in under 100 milliseconds on average.

elib-URL des Eintrags:https://elib.dlr.de/207616/
Dokumentart:Zeitschriftenbeitrag
Titel:DeepGame-TP: Integrating Dynamic Game Theory and Deep Learning for Trajectory Planning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Lucente, GiovanniGiovanni.Lucente (at) dlr.dehttps://orcid.org/0000-0002-7844-853X170326303
Maarssoe, Mikkel Skovmikkel.maarssoe (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Konthala, Sanath Himasekharsanath.konthala (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Abulehia, Anasanas.abulehia (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Dariani, RezaReza.Dariani (at) dlr.dehttps://orcid.org/0000-0002-1091-8793NICHT SPEZIFIZIERT
Schindler, Julianjulian.schindler (at) dlr.dehttps://orcid.org/0000-0001-5398-8217NICHT SPEZIFIZIERT
Datum:Oktober 2024
Erschienen in:IEEE Open Journal of Intelligent Transportation Systems
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Ja
In SCOPUS:Ja
In ISI Web of Science:Ja
DOI:10.36227/techrxiv.172651860.08700487/v2
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:2687-7813
Status:veröffentlicht
Stichwörter:deep learning, generalized nash equilibrium, dynamic game, lstm, trajectory planning
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Straßenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V ST Straßenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - KoKoVI - Koordinierter kooperativer Verkehr mit verteilter, lernender Intelligenz
Standort: Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik > Kooperative Systeme, BS
Hinterlegt von: Lucente, Giovanni
Hinterlegt am:25 Okt 2024 20:18
Letzte Änderung:25 Okt 2024 20:18

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.