論文の概要: Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving

• arxiv url: http://arxiv.org/abs/2005.11470v1
• Date: Sat, 23 May 2020 04:39:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 03:26:26.760993
• Title: Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving
• Title（参考訳）: 自動車運転における自然主義的運転データからの学習
• Authors: Donghao Xu, Zhezhang Ding, Xu He, Huijing Zhao, Mathieu Moze, Fran\c{c}ois Aioun, and Franck Guillemard
• Abstract要約: 自然な運転データから移動プランナのコストパラメータを学習する。 この学習は、選択された軌跡に対して、同一の交通状況下での人間の運転軌跡を近似させることにより達成される。 レーン変更決定と運動計画の両方について実験を行い、有望な結果を得る。
• 参考スコア（独自算出の注目度）: 11.764518510841235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving in a human-like manner is important for an autonomous vehicle to be a smart and predictable traffic participant. To achieve this goal, parameters of the motion planning module should be carefully tuned, which needs great effort and expert knowledge. In this study, a method of learning cost parameters of a motion planner from naturalistic driving data is proposed. The learning is achieved by encouraging the selected trajectory to approximate the human driving trajectory under the same traffic situation. The employed motion planner follows a widely accepted methodology that first samples candidate trajectories in the trajectory space, then select the one with minimal cost as the planned trajectory. Moreover, in addition to traditional factors such as comfort, efficiency and safety, the cost function is proposed to incorporate incentive of behavior decision like a human driver, so that both lane change decision and motion planning are coupled into one framework. Two types of lane incentive cost -- heuristic and learning based -- are proposed and implemented. To verify the validity of the proposed method, a data set is developed by using the naturalistic trajectory data of human drivers collected on the motorways in Beijing, containing samples of lane changes to the left and right lanes, and car followings. Experiments are conducted with respect to both lane change decision and motion planning, and promising results are achieved.
• Abstract（参考訳）: 自動運転車がスマートで予測可能な交通参加者であることは、人間のような方法での運転が重要である。 この目標を達成するには、動き計画モジュールのパラメータを慎重に調整する必要がある。 本研究では,自然な運転データから移動プランナのコストパラメータを学習する手法を提案する。 この学習は、選択された軌跡に同一の交通状況下での人間の運転軌跡を近似させることにより達成される。 採用された運動プランナーは、まず軌道空間の候補軌跡をサンプリングし、計画された軌跡として最小限のコストで選択するという広く受け入れられた手法に従う。 また, 快適性, 効率性, 安全性などの従来の要因に加えて, コスト関数が人間の運転者のような行動決定のインセンティブを組み込むことにより, レーン変更決定と運動計画の両方を一つの枠組みに統合する。 2種類のレーンインセンティブコスト - ヒューリスティックと学習ベース - が提案され、実装されている。 提案手法の有効性を検証するため,北京市内の高速道路で収集された運転者の自然な軌跡データを用いて,左車線と右車線に対する車線変化のサンプルを含むデータセットを開発した。 レーン変更決定と運動計画の両方について実験を行い、有望な結果を得る。

関連論文リスト

• Motion planning for off-road autonomous driving based on human-like cognition and weight adaptation [9.357567433322766]
  オフロード運転における人間の認識とコスト評価に基づく適応型移動プランナを提案する。 我々は、CNN-LSTMネットワークを用いて、様々なオフロードシナリオにおいて、人間のドライバーが計画する軌跡を学習する。 提案する人型運動プランナは,異なるオフロード条件への適応性に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-27T08:00:35Z)
• Automatic driving lane change safety prediction model based on LSTM [3.8749946206111603]
  LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点がある。 その結果、従来のモデルベース手法と比較して、LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点があることが示された。
  論文  参考訳（メタデータ） (2024-02-28T12:34:04Z)
• Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
  本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。 我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
  論文  参考訳（メタデータ） (2023-03-29T16:12:45Z)
• Personalized Lane Change Decision Algorithm Using Deep Reinforcement Learning Approach [4.681908782544996]
  ドライビング・イン・ザ・ループ実験は6自由度運転シミュレータ上で実施される。 車線変更判定において、運転者の好みを記述するためにパーソナライズ指標が選択される。 深部強化学習(RL)アプローチは、車線変更自動決定のための人間のようなエージェントの設計に適用される。
  論文  参考訳（メタデータ） (2021-12-17T10:16:43Z)
• How To Not Drive: Learning Driving Constraints from Demonstration [0.0]
  本研究では,人間の運転軌跡から運動計画制約を学習するための新しい手法を提案する。 行動計画は、交通規則に従うために要求される高いレベルの意思決定に責任を負う。 運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
  論文  参考訳（メタデータ） (2021-10-01T20:47:04Z)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations [81.05412704590707]
  本稿では,自動運転車の協調認識,予測,動作計画を行うエンド・ツー・エンドの学習可能なネットワークを提案する。 私たちのネットワークは、人間のデモからエンドツーエンドに学習されます。
  論文  参考訳（メタデータ） (2020-08-13T14:40:46Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。