論文の概要: Quantification of Actual Road User Behavior on the Basis of Given
Traffic Rules
- arxiv url: http://arxiv.org/abs/2202.09269v1
- Date: Mon, 7 Feb 2022 09:14:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:35:48.549715
- Title: Quantification of Actual Road User Behavior on the Basis of Given
Traffic Rules
- Title(参考訳): 交通ルールに基づく実際の道路利用者行動の定量化
- Authors: Daniel Bogdoll and Moritz Nekolla and Tim Joseph and J. Marius
Z\"ollner
- Abstract要約: 本研究では,人間の運転データから規則適合度の分布を導出する手法を提案する。
提案手法は,オープンモーションデータセットと安全距離および速度制限ルールを用いて実証する。
- 参考スコア(独自算出の注目度): 4.731404257629232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving on roads is restricted by various traffic rules, aiming to ensure
safety for all traffic participants. However, human road users usually do not
adhere to these rules strictly, resulting in varying degrees of rule
conformity. Such deviations from given rules are key components of today's road
traffic. In autonomous driving, robotic agents can disturb traffic flow, when
rule deviations are not taken into account. In this paper, we present an
approach to derive the distribution of degrees of rule conformity from human
driving data. We demonstrate our method with the Waymo Open Motion dataset and
Safety Distance and Speed Limit rules.
- Abstract(参考訳): 道路上での運転は、すべての交通参加者の安全を確保するため、様々な交通規則によって制限されている。
しかし、人間の道路利用者は通常これらの規則に厳密に従わないため、規則の順応性は様々である。
このようなルールからの逸脱は、今日の道路交通の重要な要素である。
自律運転では、ロボットエージェントはルール偏差を考慮していない場合、交通の流れを妨害することができる。
本稿では,人間の運転データから規則適合度の分布を導出する手法を提案する。
Waymo Open Motion データセットとSafety Distance および Speed Limit ルールを用いて本手法を実証する。
関連論文リスト
- Provable Traffic Rule Compliance in Safe Reinforcement Learning on the
Open Sea [9.471665570104802]
強化学習(Reinforcement Learning)は、時間論理仕様に準拠した動作計画を見つけるための有望な方法である。
我々は、常に交通規則に準拠する安全かつ安全なRLアプローチを提案する。
論文 参考訳(メタデータ) (2024-02-13T14:59:19Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳(メタデータ) (2023-10-19T02:49:31Z) - Evaluation of Safety Constraints in Autonomous Navigation with Deep
Reinforcement Learning [62.997667081978825]
学習可能なナビゲーションポリシとして,セーフとアンセーフの2つを比較します。
安全なポリシは、制約をアカウントに含めますが、もう一方はそうではありません。
安全政策は、よりクリアランスの高い軌道を生成することができ(障害物によらず)、全体的な性能を犠牲にすることなく、トレーニング中に衝突を減らすことができることを示す。
論文 参考訳(メタデータ) (2023-07-27T01:04:57Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳(メタデータ) (2023-06-13T05:58:57Z) - Advising Autonomous Cars about the Rules of the Road [0.0]
(R)ules (o)f (T)he (R)oad (A)dvisor)は、人間レベルのルールの集合から生成される推奨かつ可能なアクションを提供する。
我々はRoTRAを使って英国「道路のルール」を定式化し、実装する
論文 参考訳(メタデータ) (2022-09-28T12:22:59Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳(メタデータ) (2020-11-21T09:43:50Z) - Directional Primitives for Uncertainty-Aware Motion Estimation in Urban
Environments [46.080970595942645]
本稿では,道路網の先行情報を表す指向性プリミティブの概念を紹介する。
カルラシミュレーターにおけるハイウェイ、交差点、ラウンドアバウトの実験は、実際の都市運転データセットと同様に、プリミティブがより不確実性を考慮した運動推定に繋がることを示している。
論文 参考訳(メタデータ) (2020-07-01T00:22:31Z) - iTV: Inferring Traffic Violation-Prone Locations with Vehicle
Trajectories and Road Environment Data [12.715237421592624]
本研究では,大規模車両軌跡データと環境データに基づいて,都市部における交通違反発生箇所を推定する枠組みを提案する。
提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両軌道について広範な研究を行った。
論文 参考訳(メタデータ) (2020-05-09T08:52:43Z)
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。