論文の概要: MAVERIC: A Data-Driven Approach to Personalized Autonomous Driving
- arxiv url: http://arxiv.org/abs/2301.08595v1
- Date: Fri, 20 Jan 2023 14:14:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:12:08.272278
- Title: MAVERIC: A Data-Driven Approach to Personalized Autonomous Driving
- Title（参考訳）: MAVERIC: パーソナライズされた自律運転のためのデータ駆動アプローチ
- Authors: Mariah L. Schrum and Emily Sumner and Matthew C. Gombolay and Andrew
Best
- Abstract要約: 自動運転車(AV)のパーソナライゼーションは、信頼、使用、受け入れを著しく増加させる可能性がある。
特に、エンドユーザの運転スタイルとAVの運転スタイルの類似性は、エンドユーザのAV使用意欲に大きな影響を与えると仮定する。
- 参考スコア（独自算出の注目度）: 7.856998585396421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalization of autonomous vehicles (AV) may significantly increase trust,
use, and acceptance. In particular, we hypothesize that the similarity of an
AV's driving style compared to the end-user's driving style will have a major
impact on end-user's willingness to use the AV. To investigate the impact of
driving style on user acceptance, we 1) develop a data-driven approach to
personalize driving style and 2) demonstrate that personalization significantly
impacts attitudes towards AVs. Our approach learns a high-level model that
tunes low-level controllers to ensure safe and personalized control of the AV.
The key to our approach is learning an informative, personalized embedding that
represents a user's driving style. Our framework is capable of calibrating the
level of aggression so as to optimize driving style based upon driver
preference. Across two human subject studies (n = 54), we first demonstrate our
approach mimics the driving styles of end-users and can tune attributes of
style (e.g., aggressiveness). Second, we investigate the factors (e.g., trust,
personality etc.) that impact homophily, i.e. an individual's preference for a
driving style similar to their own. We find that our approach generates driving
styles consistent with end-user styles (p<.001) and participants rate our
approach as more similar to their level of aggressiveness (p=.002). We find
that personality (p<.001), perceived similarity (p<.001), and high-velocity
driving style (p=.0031) significantly modulate the effect of homophily.
- Abstract（参考訳）: 自動運転車(AV)のパーソナライゼーションは、信頼、使用、受け入れを著しく増加させる可能性がある。
特に、エンドユーザの運転スタイルとAVの運転スタイルの類似性は、エンドユーザのAV使用意欲に大きな影響を与えると仮定する。
運転スタイルが利用者の受け入れに与える影響を調査するため,
1)運転スタイルのパーソナライズとデータ駆動型アプローチの開発
2) パーソナライゼーションがAVに対する態度に大きく影響を及ぼすことを示す。
提案手法では,AVの安全かつパーソナライズされた制御を確保するために,低レベルコントローラをチューニングする高レベルモデルについて学習する。
このアプローチの鍵は、ユーザの運転スタイルを表す情報的でパーソナライズされた埋め込みを学ぶことです。
当社のフレームワークは,運転者の好みに基づいて運転スタイルを最適化するために,攻撃レベルを調整できる。
人間の2つの主題研究(n = 54)において、我々はまず、エンドユーザーの運転スタイルを模倣し、スタイルの特徴(例えば攻撃性)をチューニングできるアプローチを実証する。
第2に、ホモフィリーに影響を及ぼす要因(信頼、人格など)、すなわち、個人が自分に類似した運転スタイルを好むことなどについて検討する。
このアプローチはエンドユーザースタイル(p<.001)と整合した運転スタイルを生成し,参加者のアプローチを攻撃性のレベル(p=.002)に類似した評価を行う。
人格(p<.001)、知覚的類似性(p<.001)、高速度駆動スタイル(p=.0031)はホモフィリーの効果を著しく調節する。
関連論文リスト
- NDST: Neural Driving Style Transfer for Human-Like Vision-Based Autonomous Driving [6.342339536410644]
自律運転(AD)における利用者の快適性を高める新しいアプローチであるニューラル・ドライビング・スタイル・トランスファー(NDST)を提案する。
NDSTはパーソナライズドブロック(PB)を従来のベースライン駆動モデル(BDM)に統合する
PBは自己設定システムとして機能し、BDMの変更を必要とせず、個人の運転行動に適応し、学習する。
論文 参考訳（メタデータ） (2024-07-10T22:26:45Z) - 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) - Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - Identifying Reaction-Aware Driving Styles of Stochastic Model Predictive
Controlled Vehicles by Inverse Reinforcement Learning [7.482319659599853]
自動運転車の運転スタイルは、他のAVとの動作と相互作用の仕方を指す。
多車種自律運転システムにおいて、近くのAVの運転スタイルを識別できるAVは、衝突のリスクを確実に評価することができる。
論文 参考訳（メタデータ） (2023-08-23T11:31:50Z) - Identification of Adaptive Driving Style Preference through Implicit
Inputs in SAE L2 Vehicles [1.497563464566495]
本研究は,マルチモーダル信号を用いたユーザ運転スタイルの嗜好の同定を提案する。
被験者36名を対象に運転シミュレータ実験を行い, 行動, 生理, 状況データを含む広範囲なマルチモーダルデータを収集した。
そこで我々は、好みの運転スタイルを識別するための機械学習モデルを構築し、ユーザの好みを特定する上で、すべてのモダリティが重要であることを確認した。
論文 参考訳（メタデータ） (2022-09-21T17:56:21Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Causal Imitative Model for Autonomous Driving [85.78593682732836]
慣性および衝突問題に対処するための因果Imitative Model (CIM)を提案する。
CIMは因果モデルを明確に発見し、ポリシーのトレーニングに利用します。
実験の結果,本手法は慣性および衝突速度において従来の手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2021-12-07T18:59:15Z) - 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) - Learning Personalized Discretionary Lane-Change Initiation for Fully
Autonomous Driving Based on Reinforcement Learning [11.54360350026252]
著者らは,完全自律走行車に対する選択車線変更開始の個別的戦術を学習する新しい方法を提案する。
交通状況や自動運転車の動作,車内ユーザのフィードバックから車線変更の開始方法を学ぶために,強化学習技術が使用されている。
論文 参考訳（メタデータ） (2020-10-29T06:21:23Z) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳（メタデータ） (2020-09-23T14:56:19Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z)
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。