論文の概要: Towards a Systematic Computational Framework for Modeling Multi-Agent
Decision-Making at Micro Level for Smart Vehicles in a Smart World
- arxiv url: http://arxiv.org/abs/2009.12213v1
- Date: Fri, 25 Sep 2020 13:05:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:25:15.342287
- Title: Towards a Systematic Computational Framework for Modeling Multi-Agent
Decision-Making at Micro Level for Smart Vehicles in a Smart World
- Title（参考訳）: スマートワールドにおけるマイクロレベルのマルチエージェント意思決定をモデル化するためのシステム計算フレームワーク
- Authors: Qi Dai, Xunnong Xu, Wen Guo, Suzhou Huang, Dimitar Filev
- Abstract要約: スマートカーのマイクロレベルにおける意思決定と戦略的相互作用をモデル化するためのマルチエージェントベースの計算フレームワークを提案する。
本研究の目的は,自律走行車のためのマイクロパス計画など,様々な現実的なアプリケーションに対して,概念的に健全かつ実用的なフレームワークを提供することである。
- 参考スコア（独自算出の注目度）: 8.899670429041453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a multi-agent based computational framework for modeling
decision-making and strategic interaction at micro level for smart vehicles in
a smart world. The concepts of Markov game and best response dynamics are
heavily leveraged. Our aim is to make the framework conceptually sound and
computationally practical for a range of realistic applications, including
micro path planning for autonomous vehicles. To this end, we first convert the
would-be stochastic game problem into a closely related deterministic one by
introducing risk premium in the utility function for each individual agent. We
show how the sub-game perfect Nash equilibrium of the simplified deterministic
game can be solved by an algorithm based on best response dynamics. In order to
better model human driving behaviors with bounded rationality, we seek to
further simplify the solution concept by replacing the Nash equilibrium
condition with a heuristic and adaptive optimization with finite look-ahead
anticipation. In addition, the algorithm corresponding to the new solution
concept drastically improves the computational efficiency. To demonstrate how
our approach can be applied to realistic traffic settings, we conduct a
simulation experiment: to derive merging and yielding behaviors on a
double-lane highway with an unexpected barrier. Despite assumption differences
involved in the two solution concepts, the derived numerical solutions show
that the endogenized driving behaviors are very similar. We also briefly
comment on how the proposed framework can be further extended in a number of
directions in our forthcoming work, such as behavioral calibration using real
traffic video data, computational mechanism design for traffic policy
optimization, and so on.
- Abstract（参考訳）: スマートな世界でのスマートカーのマイクロレベルでの意思決定と戦略的相互作用をモデリングするためのマルチエージェントベースの計算フレームワークを提案する。
マルコフゲームの概念と最良の反応ダイナミクスは大いに活用されている。
本研究の目的は,自律走行車のためのマイクロパス計画など,様々な現実的なアプリケーションに対して,概念的に健全かつ実用的なフレームワークを提供することである。
そこで我々はまず,各エージェントのユーティリティ機能にリスクプレミアムを導入することにより,確率的ゲーム問題を密接に関連する決定論的問題に変換する。
最良応答ダイナミクスに基づくアルゴリズムにより,簡易決定論的ゲームの完全ナッシュ均衡がいかに解くかを示す。
有界合理性を持つ人間の運転行動のモデル化を改善するために,nash平衡条件をヒューリスティックで適応的な最適化に置き換え,有限ルックアヘッド予測に置き換えることで,解の概念をさらに単純化する。
さらに、新しい解の概念に対応するアルゴリズムは計算効率を大幅に向上させる。
この手法を現実的な交通環境に適用できることを示すためにシミュレーション実験を行い、予期せぬ障壁を持つ2車線の高速道路上での挙動のマージと降伏を導出する。
2つの解の概念に関する仮定の違いにもかかわらず、導出された数値解は、固有化駆動挙動が非常によく似ていることを示す。
また,提案フレームワークが今後の作業において,実際のトラヒックビデオデータを用いた行動校正,トラヒックポリシ最適化のための計算機構設計など,さまざまな方向に拡張可能である点についても簡単にコメントする。
関連論文リスト
- Parameterized Decision-making with Multi-modal Perception for Autonomous
Driving [12.21578713219778]
AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。
ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
論文 参考訳（メタデータ） (2023-12-19T08:27:02Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Decision-Making for Autonomous Vehicles with Interaction-Aware
Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。
我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。
我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
論文 参考訳（メタデータ） (2023-10-31T03:31:09Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-16T23:13:51Z) - MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳（メタデータ） (2023-06-30T16:23:04Z) - 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) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - 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) - A Probabilistic Framework for Imitating Human Race Driver Behavior [31.524303667746643]
本稿では,運転行動モデリングのタスクを複数のモジュールに分割するモジュラーフレームワークProMoDを提案する。
確率的運動プリミティブを用いて大域的目標軌道分布を学習し、局所経路生成にウエイドを使用し、ニューラルネットワークにより対応する行動選択を行う。
シミュレーションカーレースセッティングの実験は、他の模倣学習アルゴリズムと比較して、模倣精度とロバスト性にかなりの利点がある。
論文 参考訳（メタデータ） (2020-01-22T20:06:38Z)
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。