論文の概要: A Generative Car-following Model Conditioned On Driving Styles
- arxiv url: http://arxiv.org/abs/2112.05399v1
- Date: Fri, 10 Dec 2021 09:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 21:44:42.200557
- Title: A Generative Car-following Model Conditioned On Driving Styles
- Title(参考訳): 運転スタイルに基づく生成的車追従モデル
- Authors: Yifan Zhang, Xinhong Chen, Jianping Wang, Zuduo Zheng, Kui Wu
- Abstract要約: 自動車追尾(CF)モデリングは、過去数十年で研究の関心が高まりつつある。
本稿では,動的CFの挙動を高精度に評価できる新しい生成型CFモデルを提案する。
- 参考スコア(独自算出の注目度): 13.323897222376756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Car-following (CF) modeling, an essential component in simulating human CF
behaviors, has attracted increasing research interest in the past decades. This
paper pushes the state of the art by proposing a novel generative hybrid CF
model, which achieves high accuracy in characterizing dynamic human CF
behaviors and is able to generate realistic human CF behaviors for any given
observed or even unobserved driving style. Specifically, the ability of
accurately capturing human CF behaviors is ensured by designing and calibrating
an Intelligent Driver Model (IDM) with time-varying parameters. The reason
behind is that such time-varying parameters can express both the inter-driver
heterogeneity, i.e., diverse driving styles of different drivers, and the
intra-driver heterogeneity, i.e., changing driving styles of the same driver.
The ability of generating realistic human CF behaviors of any given observed
driving style is achieved by applying a neural process (NP) based model. The
ability of inferring CF behaviors of unobserved driving styles is supported by
exploring the relationship between the calibrated time-varying IDM parameters
and an intermediate variable of NP. To demonstrate the effectiveness of our
proposed models, we conduct extensive experiments and comparisons, including CF
model parameter calibration, CF behavior prediction, and trajectory simulation
for different driving styles.
- Abstract(参考訳): 自動車追跡(CF)モデリングは、人間のCF行動のシミュレーションに不可欠な要素であり、過去数十年で研究の関心が高まりつつある。
本稿では,動的な人間のcf動作を特徴付けるための高精度な生成ハイブリッドcfモデルを提案し,任意の観察された,あるいは観測されていない運転スタイルに対して現実的なcf動作を生成する。
具体的には、インテリジェントドライバモデル(IDM)を時間変化パラメータで設計し、校正することで、人間のCF動作を正確に捉えることができる。
その理由は、そのような時間変化パラメータがドライバー間の異質性、すなわちドライバ間の異質性、ドライバ間の異質性、すなわち同じドライバの駆動スタイルを変えることができるからである。
神経過程(np)モデルを適用することで、任意の観察された駆動スタイルの現実的な人間のcf行動を生成することができる。
キャリブレーションされた時間変化IDMパラメータとNPの中間変数の関係を探索することにより、未観測運転スタイルのCF挙動を推定する能力を支持する。
提案モデルの有効性を示すため, CFモデルパラメータの校正, CF挙動予測, 異なる運転スタイルの軌道シミュレーションなど, 広範囲な実験と比較を行った。
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) - Learning Car-Following Behaviors Using Bayesian Matrix Normal Mixture Regression [17.828808886958736]
自動車追従(CF)の挙動は, 微視的交通シミュレーションにおいて重要である。
堅牢性にもかかわらず、多くのデータ駆動方式は、解釈可能性に制限のある「ブラックボックス」として動作する。
この研究は、CFの挙動に固有の特徴相関と時間的ダイナミクスを同時にキャプチャするベイズ行列正規混合回帰(MNMR)モデルを導入する。
論文 参考訳(メタデータ) (2024-04-24T17:55:47Z) - Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。
DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。
等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文 参考訳(メタデータ) (2023-12-12T11:13:13Z) - 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) - A Generic Stochastic Hybrid Car-following Model Based on Approximate
Bayesian Computation [10.05436171946782]
自動車追従モデル(CFモデル)は、交通力学を記述する上で基本的なものである。
最高のCFモデルを見つけることは、何十年にもわたっての研究にもかかわらず、困難で議論の的になっている。
本稿では,複数のCFモデルを統合するための学習手法を開発する。
論文 参考訳(メタデータ) (2023-11-27T04:14:13Z) - 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) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - 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) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳(メタデータ) (2021-07-15T02:53:11Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳(メタデータ) (2020-09-12T02:02:52Z)
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。