論文の概要: An active inference model of car following: Advantages and applications
- arxiv url: http://arxiv.org/abs/2303.15201v1
- Date: Mon, 27 Mar 2023 13:39:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 15:13:19.482121
- Title: An active inference model of car following: Advantages and applications
- Title（参考訳）: 自動車追従のアクティブ推論モデル:アドバンテージと応用
- Authors: Ran Wei, Anthony D. McDonald, Alfredo Garcia, Gustav Markkula, Johan
Engstrom, and Matthew O'Kelly
- Abstract要約: ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。
データ駆動機械学習モデルは、ルールベースのモデルよりも能力が高いが、大規模なトレーニングデータセットの必要性と、解釈可能性の欠如によって制限されている。
本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
- 参考スコア（独自算出の注目度）: 6.905724739762358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driver process models play a central role in the testing, verification, and
development of automated and autonomous vehicle technologies. Prior models
developed from control theory and physics-based rules are limited in automated
vehicle applications due to their restricted behavioral repertoire. Data-driven
machine learning models are more capable than rule-based models but are limited
by the need for large training datasets and their lack of interpretability,
i.e., an understandable link between input data and output behaviors. We
propose a novel car following modeling approach using active inference, which
has comparable behavioral flexibility to data-driven models while maintaining
interpretability. We assessed the proposed model, the Active Inference Driving
Agent (AIDA), through a benchmark analysis against the rule-based Intelligent
Driver Model, and two neural network Behavior Cloning models. The models were
trained and tested on a real-world driving dataset using a consistent process.
The testing results showed that the AIDA predicted driving controls
significantly better than the rule-based Intelligent Driver Model and had
similar accuracy to the data-driven neural network models in three out of four
evaluations. Subsequent interpretability analyses illustrated that the AIDA's
learned distributions were consistent with driver behavior theory and that
visualizations of the distributions could be used to directly comprehend the
model's decision making process and correct model errors attributable to
limited training data. The results indicate that the AIDA is a promising
alternative to black-box data-driven models and suggest a need for further
research focused on modeling driving style and model training with more diverse
datasets.
- Abstract（参考訳）: ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。
制御理論と物理に基づく規則から開発された以前のモデルは、その制限された行動レパートリーのため、自動車両の用途で制限されている。
データ駆動機械学習モデルはルールベースのモデルよりも能力があるが、大規模なトレーニングデータセットの必要性と解釈可能性の欠如、すなわち入力データと出力動作の間の理解可能なリンクによって制限される。
本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
提案モデルであるアクティブ推論駆動エージェント(AIDA)を,ルールに基づくインテリジェントドライバモデルと2つのニューラルネットワーク行動クローンモデルに対するベンチマーク分析により評価した。
モデルはトレーニングされ、一貫したプロセスを使用して現実世界の運転データセットでテストされた。
テストの結果、AIDAはルールベースのIntelligent Driver Modelよりも運転制御がかなり優れていると予測し、4つの評価のうち3つでデータ駆動ニューラルネットワークモデルと類似の精度を示した。
その後の解釈可能性分析により、aidaの学習された分布は運転行動理論と一致し、分布の可視化によってモデルの意思決定プロセスを直接理解し、限られたトレーニングデータに帰結するモデルの誤りを正すことができることが示された。
結果は、AIDAがブラックボックスのデータ駆動モデルに代わる有望な選択肢であることを示し、より多様なデータセットによる運転スタイルのモデリングとモデルトレーニングに焦点を当てたさらなる研究の必要性を示唆している。
関連論文リスト
- Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。
本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
論文 参考訳（メタデータ） (2024-03-28T14:07:13Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction [24.94160059351764]
ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-20T02:24:27Z) - A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through
Particle Filtering [6.9485501711137525]
本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。
この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
論文 参考訳（メタデータ） (2021-08-29T11:07:14Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。
我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
論文 参考訳（メタデータ） (2020-11-17T16:24:10Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-09-30T20:00:11Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z) - An LSTM-Based Autonomous Driving Model Using Waymo Open Dataset [7.151393153761375]
本稿では,短期記憶モデル(LSTM)を用いた自律走行モデルの動作を模倣する手法を提案する。
実験結果から,本モデルは動作予測においていくつかのモデルより優れることがわかった。
論文 参考訳（メタデータ） (2020-02-14T05:28:15Z)
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。