論文の概要: Online Parameter Estimation for Human Driver Behavior Prediction

• arxiv url: http://arxiv.org/abs/2005.02597v1
• Date: Wed, 6 May 2020 05:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 05:59:02.809943
• Title: Online Parameter Estimation for Human Driver Behavior Prediction
• Title（参考訳）: 運転行動予測のためのオンラインパラメータ推定
• Authors: Raunak Bhattacharyya, Ransalu Senanayake, Kyle Brown, and Mykel Kochenderfer
• Abstract要約: インテリジェントドライバモデルに適用されたオンラインパラメータ推定は、衝突のない軌道を提供しながら、ニュアンスな個人運転行動をキャプチャすることを示す。 本研究は,運転モデルの真理データ実証における近接性を評価し,その結果の緊急運転行動の安全性を評価する。
• 参考スコア（独自算出の注目度）: 5.927030511296174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver models are invaluable for planning in autonomous vehicles as well as validating their safety in simulation. Highly parameterized black-box driver models are very expressive, and can capture nuanced behavior. However, they usually lack interpretability and sometimes exhibit unrealistic-even dangerous-behavior. Rule-based models are interpretable, and can be designed to guarantee "safe" behavior, but are less expressive due to their low number of parameters. In this article, we show that online parameter estimation applied to the Intelligent Driver Model captures nuanced individual driving behavior while providing collision free trajectories. We solve the online parameter estimation problem using particle filtering, and benchmark performance against rule-based and black-box driver models on two real world driving data sets. We evaluate the closeness of our driver model to ground truth data demonstration and also assess the safety of the resulting emergent driving behavior.
• Abstract（参考訳）: ドライバーモデルは、自動運転車の計画だけでなく、シミュレーションにおける安全性の検証にも有用である。 高パラメータ化ブラックボックスドライバモデルは、非常に表現力があり、ニュアンスな振る舞いを捉えることができる。 しかし、通常は解釈性に欠け、時には非現実的で危険な行動を示す。 ルールベースのモデルは解釈可能であり、"安全"な振る舞いを保証するように設計されているが、パラメータの少ないため表現力は低い。 本稿では、インテリジェントドライバモデルに適用されたオンラインパラメータ推定が、衝突のない軌道を提供しながら、ニュアンスな個人運転行動をキャプチャすることを示す。 本研究では,2つの実世界の運転データセットにおいて,粒子フィルタリングによるオンラインパラメータ推定問題と,ルールベースおよびブラックボックスドライバモデルに対するベンチマーク性能を解決する。 我々は,真理データ実証を行うためのドライバモデルの親密性を評価し,その結果の創発的運転行動の安全性を評価する。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through Particle Filtering [6.9485501711137525]
  本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。 この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-29T11:07:14Z)
• Markov Switching Model for Driver Behavior Prediction: Use cases on Smartphones [4.576379639081977]
  スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。 提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
  論文  参考訳（メタデータ） (2021-08-29T09:54:05Z)
• Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks [6.8438089867929905]
  本研究では,教師なし学習パラダイムを活用したドライバの行動プロファイリング手法を提案する。 まず,運転者の行動プロファイル問題を異常検出に用いた。 次に,特徴ベクトル列が与えられた次の特徴ベクトルを予測する再帰的ニューラルネットワークを構築した。 第三に、攻撃的なドライバーの行動を特定するために、最適なシーケンス長のレベルを解析した。
  論文  参考訳（メタデータ） (2021-08-11T07:48:27Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。