論文の概要: Importance Filtering with Risk Models for Complex Driving Situations
- arxiv url: http://arxiv.org/abs/2303.06935v1
- Date: Mon, 13 Mar 2023 09:03:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 15:55:34.498083
- Title: Importance Filtering with Risk Models for Complex Driving Situations
- Title（参考訳）: 複雑な運転状況に対するリスクモデルによる重要度フィルタリング
- Authors: Tim Puphal, Raphael Wenzel, Benedict Flade, Malte Probst and Julian
Eggert
- Abstract要約: 自動運転車は、混雑した都市を移動するときに大量のエージェントで複雑な運転状況に直面します。
一部のエージェントは、実際に自動運転車の挙動に影響を与えていない。
重要でないエージェントをフィルタリングすることは、本質的にシステムの振る舞いや動作計画タスクを単純化する。
- 参考スコア（独自算出の注目度）: 1.4699455652461728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-driving cars face complex driving situations with a large amount of
agents when moving in crowded cities. However, some of the agents are actually
not influencing the behavior of the self-driving car. Filtering out unimportant
agents would inherently simplify the behavior or motion planning task for the
system. The planning system can then focus on fewer agents to find optimal
behavior solutions for the ego~agent. This is helpful especially in terms of
computational efficiency. In this paper, therefore, the research topic of
importance filtering with driving risk models is introduced. We give an
overview of state-of-the-art risk models and present newly adapted risk models
for filtering. Their capability to filter out surrounding unimportant agents is
compared in a large-scale experiment. As it turns out, the novel trajectory
distance balances performance, robustness and efficiency well. Based on the
results, we can further derive a novel filter architecture with multiple filter
steps, for which risk models are recommended for each step, to further improve
the robustness. We are confident that this will enable current behavior
planning systems to better solve complex situations in everyday driving.
- Abstract（参考訳）: 自動運転車は、混雑した都市を移動するときに大量のエージェントで複雑な運転状況に直面します。
しかし、一部のエージェントは実際に自動運転車の挙動に影響を与えていない。
重要でないエージェントをフィルタリングすることは、システムの振る舞いや動作計画タスクを本質的に単純化する。
計画システムは、ego〜agentの最適な行動ソリューションを見つけるために、より少ないエージェントに集中することができる。
これは特に計算効率の点で有用である。
そこで本稿では,運転リスクモデルによる重要度フィルタリングの研究トピックを紹介する。
本稿では、現状のリスクモデルの概要とフィルタリングのための新たなリスクモデルを提案する。
不重要な物質をフィルターする能力は、大規模な実験で比較される。
その結果、新しい軌道距離は性能、ロバスト性、効率のバランスが良いことがわかった。
この結果に基づいて,複数のフィルタステップを用いた新たなフィルタアーキテクチャを導出し,各ステップに対してリスクモデルが推奨されることにより,ロバスト性がさらに向上する。
これにより、現在の行動計画システムが日々の運転で複雑な状況をよりよく解決できると確信しています。
関連論文リスト
- Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Introducing Risk Shadowing For Decisive and Comfortable Behavior
Planning [0.0]
リスクシャドーイング(リスクシャドーイング)は,単一インタラクションを超越した状況理解手法である。
行動プランナの上流フィルタモジュールとしてリスクシャドーイングを使用することで、より決定的で快適な運転戦略を計画できることを示す。
論文 参考訳（メタデータ） (2023-07-20T09:16:01Z) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
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。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳（メタデータ） (2021-05-05T01:20:03Z) - Contingencies from Observations: Tractable Contingency Planning with
Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。
本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。
このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文 参考訳（メタデータ） (2021-04-21T14:30:20Z) - Building Safer Autonomous Agents by Leveraging Risky Driving Behavior
Knowledge [1.52292571922932]
本研究は,モデルフリーな学習エージェントを作成するために,重交通や予期せぬランダムな行動を伴うリスクやすいシナリオの作成に重点を置いている。
ハイウェイ-envシミュレーションパッケージに新しいカスタムマルコフ決定プロセス(MDP)環境イテレーションを作成することにより、複数の自動運転シナリオを生成します。
リスクの高い運転シナリオを補足したモデル自由学習エージェントを訓練し,その性能をベースラインエージェントと比較する。
論文 参考訳（メタデータ） (2021-03-16T23:39:33Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳（メタデータ） (2021-01-18T01:43:36Z) - AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles [76.46575807165729]
我々は,任意のLiDARベースの自律システムに対して,安全クリティカルなシナリオを生成するための,敵対的フレームワークであるAdvSimを提案する。
センサデータから直接シミュレートすることにより、完全な自律スタックに対して安全クリティカルな敵シナリオを得る。
論文 参考訳（メタデータ） (2021-01-16T23:23:12Z) - MIDAS: Multi-agent Interaction-aware Decision-making with Adaptive
Strategies for Urban Autonomous Navigation [22.594295184455]
そこで本研究では,エゴエージェントが他車の制御動作に影響を与えることを学習する,MIDASと呼ばれる強化学習手法を構築した。
MIDAS は広範にわたる実験により検証され,(i) 異なる道路測地をまたいで動作可能であること,(ii) 外部エージェントの駆動方針の変化に対して堅牢であること,(iv) インタラクション対応意思決定に対する既存のアプローチよりも効率的で安全であること,などが示されている。
論文 参考訳（メタデータ） (2020-08-17T04:34:25Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳（メタデータ） (2020-08-15T01:40:59Z)
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。