論文の概要: Mathematical Models of Human Drivers Using Artificial Risk Fields
- arxiv url: http://arxiv.org/abs/2205.12722v1
- Date: Tue, 24 May 2022 15:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 04:55:55.215141
- Title: Mathematical Models of Human Drivers Using Artificial Risk Fields
- Title（参考訳）: 人工リスクフィールドを用いた人間ドライバーの数学的モデル
- Authors: Emily Jensen, Maya Luster, Hansol Yoon, Brandon Pitts and Sriram
Sankaranarayanan
- Abstract要約: 我々は、人間の運転者が今後の道路状況に応じてどのように車両を制御するかを予測するために、人工リスクフィールドの概念を用いる。
リスクフィールドは、最大20秒の予測地平線において、高い予測精度で将来の軌道を予測するのに優れている。
- 参考スコア（独自算出の注目度）: 8.074019565026544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we use the concept of artificial risk fields to predict how
human operators control a vehicle in response to upcoming road situations. A
risk field assigns a non-negative risk measure to the state of the system in
order to model how close that state is to violating a safety property, such as
hitting an obstacle or exiting the road. Using risk fields, we construct a
stochastic model of the operator that maps from states to likely actions. We
demonstrate our approach on a driving task wherein human subjects are asked to
drive a car inside a realistic driving simulator while avoiding obstacles
placed on the road. We show that the most likely risk field given the driving
data is obtained by solving a convex optimization problem. Next, we apply the
inferred risk fields to generate distinct driving behaviors while comparing
predicted trajectories against ground truth measurements. We observe that the
risk fields are excellent at predicting future trajectory distributions with
high prediction accuracy for up to twenty seconds prediction horizons. At the
same time, we observe some challenges such as the inability to account for how
drivers choose to accelerate/decelerate based on the road conditions.
- Abstract（参考訳）: 本稿では, 人為的リスクフィールドの概念を用いて, 今後の道路状況に応じて, オペレータが車両をどのように制御するかを予測する。
リスクフィールドは、障害を打つ、または道路を出るといった安全性に違反する状態がどれほど近いかをモデル化するために、システムの状態に非負のリスク尺度を割り当てる。
リスクフィールドを用いることで、状態から起こりうる行動にマップする演算子の確率モデルを構築する。
本研究では,道路上の障害物を避けつつ,現実的な運転シミュレータ内での運転を依頼する運転課題に対するアプローチを実証する。
駆動データから得られる最も可能性の高いリスクフィールドは凸最適化問題の解法によって得られることを示す。
次に、予測軌道と地中真理の測定値を比較しながら、推定リスク場を適用して、異なる運転行動を生成する。
予測精度の高い将来の軌道分布を最大20秒の予測地平線で予測するのにはリスクフィールドが優れている。
同時に、ドライバーが道路条件に基づいて加速/減速するかを判断できないことなど、いくつかの課題を観察する。
関連論文リスト
- Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space [3.487370856323828]
本研究は,モデルフリーDRLアルゴリズムのトレーニングにおいて,予測歩行者状態の不確かさを取り入れた統合予測と計画手法を導入する。
新たな報酬関数により、AVは歩行者の個人的な空間を尊重し、接近中の速度を減少させ、予測された経路との衝突確率を最小化する。
その結果, 衝突速度は40%減少し, 予測の不確実性を考慮しない技術モデルと比較すると, 歩行者との距離は15%増加した。
論文 参考訳（メタデータ） (2024-05-22T20:09:21Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳（メタデータ） (2022-11-03T20:16:24Z) - Enhanced Behavioral Cloning with Environmental Losses for Self-Driving
Vehicles [1.468677167874397]
行動クローニングに関する最近の研究は、複雑な運転シナリオを扱うのに専門家の観察を単純に模倣するだけでは不十分であることを示している。
本稿では,経路計画におけるリスクのある社会的相互作用をモデル化するための,社会的損失と道路損失という一連の損失関数を提案する。
本手法を大規模都市運転データセットで検証した。
論文 参考訳（メタデータ） (2022-02-04T10:27:10Z) - Risk Measurement, Risk Entropy, and Autonomous Driving Risk Modeling [0.0]
本稿では、自律運転シナリオにおける新たな技術的困難、新しいアイデア、リスクモデリング手法について考察する。
コンピュータシミュレーション環境下でのリスクアセスメントと自動車保険の価格を実現するための技術的実現可能性を提供する。
論文 参考訳（メタデータ） (2021-09-15T11:00:18Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - Addressing Inherent Uncertainty: Risk-Sensitive Behavior Generation for
Automated Driving using Distributional Reinforcement Learning [0.0]
自動運転車におけるリスク感応行動生成のための2段階のアプローチを提案する。
まず, 深層分布強化学習を用いて, 不確実な環境下で最適政策を学習する。
実行中は、確立されたリスク基準を適用して最適なリスク感受性行動を選択する。
論文 参考訳（メタデータ） (2021-02-05T11:45:12Z) - LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。
本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
論文 参考訳（メタデータ） (2021-01-16T23:19:22Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。