論文の概要: On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows

• arxiv url: http://arxiv.org/abs/2305.13106v1
• Date: Mon, 22 May 2023 15:09:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 15:05:00.199959
• Title: On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows
• Title（参考訳）: 分位回帰と流れによる運転行動分布のテール分位子学習について
• Authors: Jia Yu Tee, Oliver De Candido, Wolfgang Utschick, Philipp Geiger
• Abstract要約: 本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。 この設定に2つの柔軟なフレームワークを適用します。 我々は,本手法を一段階予測および多段階シミュレーションロールアウトで評価する。
• 参考スコア（独自算出の注目度）: 13.540998552232006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Towards safe autonomous driving (AD), we consider the problem of learning models that accurately capture the diversity and tail quantiles of human driver behavior probability distributions, in interaction with an AD vehicle. Such models, which predict drivers' continuous actions from their states, are particularly relevant for closing the gap between AD simulation and reality. To this end, we adapt two flexible frameworks for this setting that avoid strong distributional assumptions: (1)~quantile regression (based on the titled absolute loss), and (2)~autoregressive quantile flows (a version of normalizing flows). Training happens in a behavior cloning-fashion. We evaluate our approach in a one-step prediction, as well as in multi-step simulation rollouts. We use the highD dataset consisting of driver trajectories on several highways. We report quantitative results using the tilted absolute loss as metric, give qualitative examples showing that realistic extremal behavior can be learned, and discuss the main insights.
• Abstract（参考訳）: 安全自律運転(AD)に向けて、AD車両との相互作用において、人間の運転行動確率分布の多様性とテール量子を正確に把握する学習モデルの問題を検討する。 運転者の状態から連続行動を予測するこのようなモデルは、ADシミュレーションと現実とのギャップを埋めるために特に重要である。 この目的のために,(1)-量子回帰(絶対損失に基づく)と(2)-自己回帰的量子フロー(正規化フローのバージョン)という,強い分布仮定を避けるための2つの柔軟なフレームワークを適用した。 トレーニングは行動クローニングファシオンで行われる。 我々は,本手法を一段階予測および多段階シミュレーションロールアウトで評価する。 いくつかの高速道路で運転者軌道からなる高Dデータセットを使用する。 傾斜した絶対損失を指標として定量的な結果を報告し,現実的な極値行動が学べることを示す定性的な例を示し,主な知見について考察する。

関連論文リスト

• 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)
• 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)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Controllable Diverse Sampling for Diffusion Based Motion Behavior Forecasting [11.106812447960186]
  制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。 CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。 マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
  論文  参考訳（メタデータ） (2024-02-06T13:16:54Z)
• DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
  本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。 提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。 本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-23T05:04:23Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Beyond RMSE: Do machine-learned models of road user interaction produce human-like behavior? [12.378231329297137]
  自然主義高速道路運転データセットにおける3つの異なる行動現象の存在を示すために,定量的な指標を導入する。 同じ測定値を用いて3つの機械学習モデルの挙動を解析する。
  論文  参考訳（メタデータ） (2022-06-22T14:04:39Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• 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)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。