Fugu-MT 論文翻訳(概要): Solution Concepts in Hierarchical Games under Bounded Rationality with Applications to Autonomous Driving

論文の概要: Solution Concepts in Hierarchical Games under Bounded Rationality with Applications to Autonomous Driving

arxiv url: http://arxiv.org/abs/2009.10033v4
Date: Thu, 21 Jan 2021 17:49:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 05:33:53.437284
Title: Solution Concepts in Hierarchical Games under Bounded Rationality with Applications to Autonomous Driving
Title（参考訳）: 有界合理性下の階層ゲームにおける解の概念と自律運転への応用
Authors: Atrisha Sarkar, Krzysztof Czarnecki
Abstract要約: 階層型ゲームを用いた運転行動のゲーム理論モデルを作成する。本研究では,自然主義データに適合するモデルと,その予測能力に基づいて行動モデルを評価する。
参考スコア（独自算出の注目度）: 14.889137114998652
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With autonomous vehicles (AV) set to integrate further into regular human traffic, there is an increasing consensus of treating AV motion planning as a multi-agent problem. However, the traditional game theoretic assumption of complete rationality is too strong for the purpose of human driving, and there is a need for understanding human driving as a \emph{bounded rational} activity through a behavioral game theoretic lens. To that end, we adapt three metamodels of bounded rational behavior; two based on Quantal level-k and one based on Nash equilibrium with quantal errors. We formalize the different solution concepts that can be applied in the context of hierarchical games, a framework used in multi-agent motion planning, for the purpose of creating game theoretic models of driving behavior. Furthermore, based on a contributed dataset of human driving at a busy urban intersection with a total of ~4k agents and ~44k decision points, we evaluate the behavior models on the basis of model fit to naturalistic data, as well as their predictive capacity. Our results suggest that among the behavior models evaluated, modeling driving behavior as pure strategy NE with quantal errors at the level of maneuvers with bounds sampling of actions at the level of trajectories provides the best fit to naturalistic driving behavior, and there is a significant impact of situational factors on the performance of behavior models.
Abstract（参考訳）: 自動運転車(AV)が通常の人間の交通にさらに統合されることで、AVモーションプランニングをマルチエージェント問題として扱うというコンセンサスが高まっている。しかしながら、完全合理性の伝統的なゲーム理論仮定は、人間の運転目的には強すぎるため、人間の運転を行動ゲーム理論レンズを通して「emph{bounded rational}」の活動として理解する必要がある。その目的のために,有界有理行動の3つのメタモデルを適用する。2つは量子レベルkに基づくもので,もう1つは量子誤差を伴うnash平衡に基づくものである。運転行動のゲーム理論モデルを作成するために,多エージェント動作計画に使用されるフレームワークである階層型ゲーム(hierarchical game)のコンテキストに適用可能な,異なる解の概念を定式化する。さらに,4kエージェントと44k決定ポイントの多忙な都市交差点における人間運転のデータセットに基づいて,自然主義的データに適合するモデルに基づく行動モデルと,その予測能力を評価した。以上の結果から, 行動モデルのうち, 純粋戦略としての運転行動のモデル化 ne は, 操作のレベルでは量的誤差を伴うが, 軌跡のレベルでの行動のサンプリングは, 自然主義的運転行動に最も適しており, 行動モデルの性能には状況因子の影響が大きいことが示唆された。

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)
Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
論文参考訳（メタデータ） (2023-12-07T03:55:51Z)
Resolving uncertainty on the fly: Modeling adaptive driving behavior as active inference [6.935068505791817]
適応運転行動の既存の交通心理学モデルは、計算厳密さを欠いているか、特定のシナリオや行動現象にのみ対応していない。本稿では,脳神経科学を起源とする行動モデルである,能動推論に基づくモデルを提案する。予測自由エネルギー最小化の単一原理から人間のような適応運転行動が生じることを示す。
論文参考訳（メタデータ） (2023-11-10T22:40:41Z)
EnsembleFollower: A Hybrid Car-Following Framework Based On Reinforcement Learning and Hierarchical Planning [22.63087292154406]
先進的な人間的な車追従を実現するための階層的計画枠組みを提案する。 EnsembleFollowerフレームワークには、複数の低レベルの自動車追従モデルを司法的に管理する、高レベルの強化学習ベースのエージェントが含まれている。提案手法は,HighDデータセットから実世界の運転データに基づいて評価する。
論文参考訳（メタデータ） (2023-08-30T12:55:02Z)
On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows [13.540998552232006]
本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
論文参考訳（メタデータ） (2023-05-22T15:09:04Z)
Modeling human road crossing decisions as reward maximization with visual perception limitations [23.561752465516047]
我々は,計算的合理性に基づく歩行者横断決定のモデルを開発する。提案した認知-RLモデルは、ギャップ受容と交差開始時間の人間的なパターンをキャプチャする。以上の結果から,これは人間の知覚的限界に対する合理的適応である可能性が示唆された。
論文参考訳（メタデータ） (2023-01-27T14:20:35Z)
Calibration of Human Driving Behavior and Preference Using Naturalistic Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文参考訳（メタデータ） (2021-05-05T01:20:03Z)
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)

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。