論文の概要: Connected and Automated Vehicles in Mixed-Traffic: Learning Human Driver
Behavior for Effective On-Ramp Merging
- arxiv url: http://arxiv.org/abs/2304.00397v1
- Date: Sat, 1 Apr 2023 22:02:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 18:15:25.066878
- Title: Connected and Automated Vehicles in Mixed-Traffic: Learning Human Driver
Behavior for Effective On-Ramp Merging
- Title（参考訳）: 混合交通における連結・自動走行車:効率的なオンランプマージのための人間の運転行動学習
- Authors: Nishanth Venkatesh, Viet-Anh Le, Aditya Dave, Andreas A. Malikopoulos
- Abstract要約: CAVとHDVの相互作用の近似情報状態モデルについて学習し、高速道路の合流時にCAVが安全に操作できるようにする。
提案手法では,CAVは近似情報状態を用いて,入ってくるHDVの挙動を学習する。
我々は、HDVと融合しながらCAVの安全な制御ポリシーを生成し、運転行動のスペクトルを実証する。
- 参考スコア（独自算出の注目度）: 2.6839965970551276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Highway merging scenarios featuring mixed traffic conditions pose significant
modeling and control challenges for connected and automated vehicles (CAVs)
interacting with incoming on-ramp human-driven vehicles (HDVs). In this paper,
we present an approach to learn an approximate information state model of
CAV-HDV interactions for a CAV to maneuver safely during highway merging. In
our approach, the CAV learns the behavior of an incoming HDV using approximate
information states before generating a control strategy to facilitate merging.
First, we validate the efficacy of this framework on real-world data by using
it to predict the behavior of an HDV in mixed traffic situations extracted from
the Next-Generation Simulation repository. Then, we generate simulation data
for HDV-CAV interactions in a highway merging scenario using a standard inverse
reinforcement learning approach. Without assuming a prior knowledge of the
generating model, we show that our approximate information state model learns
to predict the future trajectory of the HDV using only observations.
Subsequently, we generate safe control policies for a CAV while merging with
HDVs, demonstrating a spectrum of driving behaviors, from aggressive to
conservative. We demonstrate the effectiveness of the proposed approach by
performing numerical simulations.
- Abstract（参考訳）: 交通状況の混合を特徴とする高速道路の合流シナリオは、車載車(hdv)と接触する自動走行車(cav)のモデリングと制御の重大な課題をもたらす。
本稿では,CAVとHDVの相互作用の近似情報状態モデルを用いて,ハイウェイマージ時の安全操作を行う手法を提案する。
提案手法では, 制御戦略を生成する前に, 近似情報状態を用いて入出力HDVの動作を学習し, マージを容易にする。
まず,次世代シミュレーションレポジトリから抽出した混在交通状況におけるHDVの挙動を予測するために,実世界のデータに対する本フレームワークの有効性を検証する。
そして,標準逆強化学習手法を用いて,高速道路統合シナリオにおけるHDV-CAV相互作用のシミュレーションデータを生成する。
生成モデルの事前知識を仮定することなく,我々の近似情報状態モデルが観測のみを用いてhdvの将来軌道を予測できることを示す。
次に,HDVと融合しながらCAVの安全制御ポリシを生成し,攻撃性から保守性に至るまで,運転行動のスペクトルを示す。
数値シミュレーションを行い,提案手法の有効性を示す。
関連論文リスト
- Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。
本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
論文 参考訳（メタデータ） (2024-11-08T14:57:59Z) - Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。
エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。
クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
論文 参考訳（メタデータ） (2024-09-25T06:48:25Z) - CAV-AHDV-CAV: Mitigating Traffic Oscillations for CAVs through a Novel Car-Following Structure and Reinforcement Learning [8.63981338420553]
Connected and Automated Vehicles (CAVs)は、CAVとHuman-Driven Vehicles (HDVs)の混合交通の課題に対して、有望な解決策を提供する。
HDVは限られた情報に依存しているが、CAVは意思決定を改善するために他のCAVのデータを利用することができる。
本稿では2つのCAV間のHDVのシーケンスを1つのエンティティとして扱う「CAV-AHDV-CAV」カーフォローフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-23T15:38:29Z) - 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) - Shared Information-Based Safe And Efficient Behavior Planning For
Connected Autonomous Vehicles [6.896682830421197]
我々は、連結自動運転車のための統合情報共有と安全なマルチエージェント強化学習フレームワークを設計する。
まず、重畳畳み込み畳み込みニューラルネットワーク(CNN)を用いて、生画像とポイントクラウドのLIDARデータを各自動運転車でローカルに処理する。
次に、車両の局部観測とV2V通信を介して受信した情報の両方を利用する安全なアクター批判アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-02-08T20:31:41Z) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement
Learning [9.48157144651867]
本稿では,CAVのマルチモーダル強化学習によるロバスト・オン・ランプ・マージに対する新しいアプローチを提案する。
具体的には、運転安全性、快適運転行動、交通効率を考慮に入れ、マークフ決定プロセス(MDP)としてオンランプマージ問題を定式化する。
信頼性の高い統合操作を実現するため,BSMと監視画像を同時に活用してマルチモーダル観測を行う。
論文 参考訳（メタデータ） (2022-07-21T16:34:57Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T20:14:02Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z)
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。