Fugu-MT 論文翻訳(概要): Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning

論文の概要: Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning

arxiv url: http://arxiv.org/abs/2107.06344v2
Date: Thu, 15 Jul 2021 04:03:59 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 17:40:57.317413
Title: Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning
Title（参考訳）: 逆強化学習に基づく確率的ドライバ行動学習
Authors: Mehmet Fatih Ozkan, Abishek Joseph Rocque, Yao Ma
Abstract要約: ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
参考スコア（独自算出の注目度）: 3.4979173592795374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Drivers have unique and rich driving behaviors when operating vehicles in traffic. This paper presents a novel driver behavior learning approach that captures the uniqueness and richness of human driver behavior in realistic driving scenarios. A stochastic inverse reinforcement learning (SIRL) approach is proposed to learn a distribution of cost function, which represents the richness of the human driver behavior with a given set of driver-specific demonstrations. Evaluations are conducted on the realistic driving data collected from the 3D driver-in-the-loop driving simulation. The results show that the learned stochastic driver model is capable of expressing the richness of the human driving strategies under different realistic driving scenarios. Compared to the deterministic baseline driver model, the results reveal that the proposed stochastic driver behavior model can better replicate the driver's unique and rich driving strategies in a variety of traffic conditions.
Abstract（参考訳）: ドライバーは、交通機関で車両を操作する際、独特で豊かな運転行動を持つ。本稿では、現実的な運転シナリオにおける人間の運転行動の独特さと豊かさを捉える新しい運転行動学習手法を提案する。運転者の行動の豊かさを表すコスト関数の分布を,運転者固有の実演のセットで学習するために,確率的逆強化学習(satastic inverse reinforcement learning:sirl)手法が提案されている。 3Dドライバ・ザ・ループ運転シミュレーションから収集した現実的な運転データについて評価を行った。その結果,学習した確率的運転モデルでは,現実的な運転シナリオの違いにより,人間の運転戦略の豊かさを表現できることがわかった。決定論的ベースラインドライバモデルと比較すると,提案した確率的ドライバ動作モデルにより,様々な交通条件下でのドライバの独特でリッチな運転戦略をよりよく再現できることがわかった。

関連論文リスト

Adaptive Autopilot: Constrained DRL for Diverse Driving Behaviors [12.812518632907771]
本研究では,制約深度強化学習(C-DRL)を利用した独自のフレームワークである適応オートパイロット(AA)を導入する。 AAは、ドライバーの介入の必要性を減らすために、人間の運転を安全にエミュレートすることを目的としている。
論文参考訳（メタデータ） (2024-07-02T13:08:01Z)
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)
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)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文参考訳（メタデータ） (2022-07-05T16:33:20Z)
Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文参考訳（メタデータ） (2021-11-23T20:14:02Z)
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)
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)
Action-Based Representation Learning for Autonomous Driving [8.296684637620551]
本稿では,行動に基づく運転データを学習表現に用いることを提案する。提案手法を用いて事前学習した空き時間に基づく運転モデルでは,比較的少量の弱注釈画像が有効であることを示す。
論文参考訳（メタデータ） (2020-08-21T10:49:13Z)
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。