論文の概要: Socially-Compatible Behavior Design of Autonomous Vehicles with Verification on Real Human Data

• arxiv url: http://arxiv.org/abs/2010.14712v8
• Date: Fri, 24 Jun 2022 05:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 05:03:12.376318
• Title: Socially-Compatible Behavior Design of Autonomous Vehicles with Verification on Real Human Data
• Title（参考訳）: 実データを用いた自律走行車の社会的適合行動設計
• Authors: Letian Wang, Liting Sun, Masayoshi Tomizuka, and Wei Zhan
• Abstract要約: 自動運転車の予測・計画フレームワークについて,不確実性を考慮した統合化手法を提案する。 AVは、他の道路利用者の特徴をオンラインで推測し、自分の報酬だけでなく、他人への礼儀も最適化する行動を生成する。 その結果,オンライン推論は生成した行動の人間的類似性を大幅に改善できることがわかった。
• 参考スコア（独自算出の注目度）: 33.347060552332096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As more and more autonomous vehicles (AVs) are being deployed on public roads, designing socially compatible behaviors for them is becoming increasingly important. In order to generate safe and efficient actions, AVs need to not only predict the future behaviors of other traffic participants, but also be aware of the uncertainties associated with such behavior prediction. In this paper, we propose an uncertain-aware integrated prediction and planning (UAPP) framework. It allows the AVs to infer the characteristics of other road users online and generate behaviors optimizing not only their own rewards, but also their courtesy to others, and their confidence regarding the prediction uncertainties. We first propose the definitions for courtesy and confidence. Based on that, their influences on the behaviors of AVs in interactive driving scenarios are explored. Moreover, we evaluate the proposed algorithm on naturalistic human driving data by comparing the generated behavior against ground truth. Results show that the online inference can significantly improve the human-likeness of the generated behaviors. Furthermore, we find that human drivers show great courtesy to others, even for those without right-of-way. We also find that such driving preferences vary significantly in different cultures.
• Abstract（参考訳）: 自動運転車(AV)が公道に配備されるようになり、社会的に互換性のある行動の設計がますます重要になっている。 安全かつ効率的な行動を生成するために、AVは、他の交通参加者の将来の行動を予測するだけでなく、そのような行動予測に関連する不確実性も認識する必要がある。 本稿では,不確実な統合予測・計画(UAPP)フレームワークを提案する。 AVは、他の道路利用者の特徴をオンラインで推測し、自分の報酬だけでなく、他人への礼儀、予測の不確実性に対する信頼を最適化する行動を生成する。 まず、礼儀と信任の定義を提案する。 この結果から,インタラクティブ運転シナリオにおけるavの挙動への影響を考察した。 さらに,生成した行動と基底的真理を比較することにより,自然主義的人間運転データに対する提案アルゴリズムを評価する。 その結果,オンライン推論は生成した行動の人間的類似性を大幅に改善できることがわかった。 さらに、人間ドライバーは、通行権のない人でも、他人に素晴らしい礼儀を示せることがわかりました。 また、こうした運転の好みは文化によって大きく異なることもわかりました。

関連論文リスト

• BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous Driving [24.123577277806135]
  我々は行動認識軌道予測モデル(BAT)を考案した。 我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。 次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
  論文  参考訳（メタデータ） (2023-12-11T13:27:51Z)
• What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
  軌道予測は自律運転システムの性能において重要な役割を果たす。 固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
  論文  参考訳（メタデータ） (2023-06-27T01:29:20Z)
• 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)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• 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)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)
• 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)
• Perception as prediction using general value functions in autonomous driving applications [5.071770433010771]
  予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学習する。 エージェントの前部安全と後部安全をGVFで予測することを学ぶことにより,予測として認識を実証する。 これらの予測は、適応的なクルーズ制御問題において、LQRベースのコントローラに類似した制御動作を生成するために使用できることを示す。
  論文  参考訳（メタデータ） (2020-01-24T17:33:06Z)

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。