論文の概要: Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms
- arxiv url: http://arxiv.org/abs/2208.05540v1
- Date: Wed, 10 Aug 2022 19:59:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:36:08.679415
- Title: Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms
- Title(参考訳): 衝突検出アルゴリズムの高精度シミュレーションのための拡張ドライバ挙動モデル
- Authors: Ahura Jami, Mahdi Razzaghpour, Hussein Alnuweiri, Yaser P. Fallah
- Abstract要約: 人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
- 参考スコア(独自算出の注目度): 2.064612766965483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing safety and efficiency applications for Connected and Automated
Vehicles (CAVs) require a great deal of testing and evaluation. The need for
the operation of these systems in critical and dangerous situations makes the
burden of their evaluation very costly, possibly dangerous, and time-consuming.
As an alternative, researchers attempt to study and evaluate their algorithms
and designs using simulation platforms. Modeling the behavior of drivers or
human operators in CAVs or other vehicles interacting with them is one of the
main challenges of such simulations. While developing a perfect model for human
behavior is a challenging task and an open problem, we present a significant
augmentation of the current models used in simulators for driver behavior. In
this paper, we present a simulation platform for a hybrid transportation system
that includes both human-driven and automated vehicles. In addition, we
decompose the human driving task and offer a modular approach to simulating a
large-scale traffic scenario, allowing for a thorough investigation of
automated and active safety systems. Such representation through Interconnected
modules offers a human-interpretable system that can be tuned to represent
different classes of drivers. Additionally, we analyze a large driving dataset
to extract expressive parameters that would best describe different driving
characteristics. Finally, we recreate a similarly dense traffic scenario within
our simulator and conduct a thorough analysis of various human-specific and
system-specific factors, studying their effect on traffic network performance
and safety.
- Abstract(参考訳): Connected and Automated Vehicles(CAV)の安全性と効率性の開発には、大量のテストと評価が必要である。
これらのシステムのクリティカルかつ危険な状況における運用の必要性は、その評価の負担を非常に高く、潜在的に危険であり、時間を要する。
代替案として、研究者はシミュレーションプラットフォームを使ってアルゴリズムや設計を研究し、評価しようとする。
CAVや他の車両と相互作用するドライバーや人間の動作をモデル化することは、そのようなシミュレーションの主要な課題の1つである。
人間の行動に最適なモデルを開発することは困難な課題であり、オープンな問題である一方、ドライバの行動のシミュレーターで使われる現在のモデルの大幅な拡張を示す。
本稿では,人間駆動車と自動走行車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
さらに、人間の運転課題を分解し、大規模交通シナリオをシミュレーションするためのモジュール方式のアプローチを提供し、自動化およびアクティブな安全システムの徹底的な調査を可能にする。
インターコネクテッドモジュールによるこのような表現は、ドライバの異なるクラスを表現するように調整できる人間解釈システムを提供する。
さらに、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
最後に,シミュレータ内でも同様に密集した交通シナリオを再現し,交通ネットワークの性能と安全性に影響を及ぼすさまざまな人為的・システム固有の要因を網羅的に分析する。
関連論文リスト
- A Joint Approach Towards Data-Driven Virtual Testing for Automated Driving: The AVEAS Project [2.4163276807189282]
シミュレーションのパラメトリゼーションや検証には、現実世界のデータが著しく不足している。
本稿では,ドイツのAVAS研究プロジェクトの結果について述べる。
論文 参考訳(メタデータ) (2024-05-10T07:36:03Z) - An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。
本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
論文 参考訳(メタデータ) (2024-05-02T23:24:27Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。
我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。
コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
論文 参考訳(メタデータ) (2022-08-26T02:17:54Z) - 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) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z) - Driver Modeling through Deep Reinforcement Learning and Behavioral Game
Theory [0.0]
自動運転車がドライバーと同一の安全レベルに達するためには、数百万マイルの走行テストが必要であると推定されている。
本稿では、複数の人的意思決定者からなる高忠実度交通シミュレータにおいて、安全かつ迅速な自動運転アルゴリズムの評価を可能にすることにより、テストに費やした時間と労力を削減するために利用することができる。
論文 参考訳(メタデータ) (2020-03-24T18:59:17Z)
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。