論文の概要: Decision Making for Autonomous Driving in Interactive Merge Scenarios
via Learning-based Prediction
- arxiv url: http://arxiv.org/abs/2303.16821v1
- Date: Wed, 29 Mar 2023 16:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 14:04:07.226176
- Title: Decision Making for Autonomous Driving in Interactive Merge Scenarios
via Learning-based Prediction
- Title（参考訳）: 対話型マージシナリオにおける学習ベース予測による自律運転の意思決定
- Authors: Salar Arbabi, Davide Tavernini, Saber Fallah, Richard Bowden
- Abstract要約: 本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。
我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。
POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
- 参考スコア（独自算出の注目度）: 39.48631437946568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous agents that drive on roads shared with human drivers must reason
about the nuanced interactions among traffic participants. This poses a highly
challenging decision making problem since human behavior is influenced by a
multitude of factors (e.g., human intentions and emotions) that are hard to
model. This paper presents a decision making approach for autonomous driving,
focusing on the complex task of merging into moving traffic where uncertainty
emanates from the behavior of other drivers and imperfect sensor measurements.
We frame the problem as a partially observable Markov decision process (POMDP)
and solve it online with Monte Carlo tree search. The solution to the POMDP is
a policy that performs high-level driving maneuvers, such as giving way to an
approaching car, keeping a safe distance from the vehicle in front or merging
into traffic. Our method leverages a model learned from data to predict the
future states of traffic while explicitly accounting for interactions among the
surrounding agents. From these predictions, the autonomous vehicle can
anticipate the future consequences of its actions on the environment and
optimize its trajectory accordingly. We thoroughly test our approach in
simulation, showing that the autonomous vehicle can adapt its behavior to
different situations. We also compare against other methods, demonstrating an
improvement with respect to the considered performance metrics.
- Abstract（参考訳）: 人間のドライバーと共有する道路を走行する自律エージェントは、交通参加者間のニュアンス的相互作用を考慮しなければならない。
これは、人間の行動は、モデル化が難しいさまざまな要因(例えば、人間の意図や感情)に影響されるため、非常に難しい意思決定問題を引き起こす。
本稿では,他の運転者の行動から不確実性が生ずる交通と不完全なセンサ測定を融合させる複雑な作業に焦点をあて,自律運転における意思決定手法を提案する。
この問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。
POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
本手法は,データから学習したモデルを利用してトラフィックの将来状態を予測し,周囲のエージェント間のインタラクションを明示的に考慮する。
これらの予測から、自動運転車は環境に対する行動の将来の影響を予測し、それに応じて軌道を最適化することができる。
我々はシミュレーションでこのアプローチを徹底的にテストし、自動運転車が異なる状況に適応できることを示した。
また、他の手法と比較し、考慮されたパフォーマンス指標に関して改善を示す。
関連論文リスト
- Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳（メタデータ） (2024-07-09T04:56:11Z) - Decision-Making for Autonomous Vehicles with Interaction-Aware
Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。
我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。
我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
論文 参考訳（メタデータ） (2023-10-31T03:31:09Z) - Interaction-Aware Decision-Making for Autonomous Vehicles in Forced
Merging Scenario Leveraging Social Psychology Factors [7.812717451846781]
インタラクションドライバの社会的行動と個人的目的の両方を取り入れた行動モデルを考える。
我々は、他のドライバーの意図をオンラインで見積もる、後退する水平制御に基づく意思決定戦略を開発する。
論文 参考訳（メタデータ） (2023-09-25T19:49:14Z) - Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳（メタデータ） (2022-10-13T05:56:20Z) - Prediction Based Decision Making for Autonomous Highway Driving [3.6818636539023175]
本稿では,予測に基づく深層強化学習(Deep Reinforcement Learning, PDRL)意思決定モデルを提案する。
高速道路運転の意思決定プロセスにおいて、周囲の車両の操作意図を考慮に入れている。
その結果,提案したPDRLモデルでは,衝突数を減少させることで,Deep Reinforcement Learning (DRL)モデルと比較して意思決定性能が向上することがわかった。
論文 参考訳（メタデータ） (2022-09-05T19:28:30Z) - Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。
我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
論文 参考訳（メタデータ） (2022-02-10T16:46:24Z) - 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) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - 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)
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。