論文の概要: Using Models Based on Cognitive Theory to Predict Human Behavior in
Traffic: A Case Study
- arxiv url: http://arxiv.org/abs/2305.15187v2
- Date: Mon, 9 Oct 2023 12:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 12:04:36.100684
- Title: Using Models Based on Cognitive Theory to Predict Human Behavior in
Traffic: A Case Study
- Title（参考訳）: 認知理論に基づく交通行動予測モデルを用いた事例研究
- Authors: Julian F. Schumann, Aravinda Ramakrishnan Srinivasan, Jens Kober,
Gustav Markkula, Arkady Zgonnikov
- Abstract要約: 本研究では,ギャップ受容シナリオにおける人間の行動予測のための認知的確証のある新しいモデルの有用性について検討する。
我々は、このモデルが確立されたデータ駆動予測モデルと競合したり、さらに優れていることを示す。
- 参考スコア（独自算出の注目度）: 4.705182901389292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of automated vehicles has the potential to revolutionize
transportation, but they are currently unable to ensure a safe and
time-efficient driving style. Reliable models predicting human behavior are
essential for overcoming this issue. While data-driven models are commonly used
to this end, they can be vulnerable in safety-critical edge cases. This has led
to an interest in models incorporating cognitive theory, but as such models are
commonly developed for explanatory purposes, this approach's effectiveness in
behavior prediction has remained largely untested so far. In this article, we
investigate the usefulness of the \emph{Commotions} model -- a novel
cognitively plausible model incorporating the latest theories of human
perception, decision-making, and motor control -- for predicting human behavior
in gap acceptance scenarios, which entail many important traffic interactions
such as lane changes and intersections. We show that this model can compete
with or even outperform well-established data-driven prediction models across
several naturalistic datasets. These results demonstrate the promise of
incorporating cognitive theory in behavior prediction models for automated
vehicles.
- Abstract（参考訳）: 自動走行車の開発は輸送に革命をもたらす可能性があるが、現在、安全で時間効率のよい運転スタイルを保証することはできない。
人間の行動を予測する信頼できるモデルは、この問題を克服するために不可欠である。
データ駆動モデルは一般的にこの目的に使用されるが、安全クリティカルなエッジケースでは脆弱である。
これは認知理論を組み込んだモデルに関心を寄せてきたが、そのようなモデルは説明目的のために一般的に開発されているため、行動予測におけるこのアプローチの有効性は、これまでほとんどテストされていない。
本稿では,人間の認知,意思決定,運動制御の最新の理論を取り入れた,車線変化や交差点など多くの重要な交通相互作用を伴うギャップ受容シナリオにおける人間の行動予測モデルである「emph{Commotions} モデル」の有用性について検討する。
このモデルは、いくつかの自然主義的データセットをまたいで、確立されたデータ駆動予測モデルと競合したり、さらに優れることを示す。
これらの結果は、自動運転車の行動予測モデルに認知理論を組み込むことの可能性を実証する。
関連論文リスト
- Diffusion-Based Environment-Aware Trajectory Prediction [3.1406146587437904]
自動運転車の安全かつ効率的な運転には、交通参加者の将来の軌跡を予測する能力が不可欠である。
本稿では,多エージェント軌道予測のための拡散モデルを提案する。
このモデルは、交通参加者と環境の間の複雑な相互作用を捉え、データのマルチモーダルな性質を正確に学習することができる。
論文 参考訳（メタデータ） (2024-03-18T10:35:15Z) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - 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) - Resolving uncertainty on the fly: Modeling adaptive driving behavior as
active inference [6.935068505791817]
適応運転行動の既存の交通心理学モデルは、計算厳密さを欠いているか、特定のシナリオや行動現象にのみ対応していない。
本稿では,脳神経科学を起源とする行動モデルである,能動推論に基づくモデルを提案する。
予測自由エネルギー最小化の単一原理から人間のような適応運転行動が生じることを示す。
論文 参考訳（メタデータ） (2023-11-10T22:40:41Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Benchmark for Models Predicting Human Behavior in Gap Acceptance
Scenarios [4.801975818473341]
我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用する。
論文 参考訳（メタデータ） (2022-11-10T09:59:38Z) - Comparing merging behaviors observed in naturalistic data with behaviors
generated by a machine learned model [4.879725885276143]
道路走行を事例として検討し,2つの慣れ親しんだ行動現象の存在を定量的に示すための指標を提案する。
最先端機械学習モデルの出力に全く同じ測定値を適用することで、モデルは前者の現象を再現できるが後者は再現できないことを示した。
論文 参考訳（メタデータ） (2021-04-21T12:31:29Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Multimodal Deep Generative Models for Trajectory Prediction: A
Conditional Variational Autoencoder Approach [34.70843462687529]
本研究では,人間の行動予測に対する条件付き変分オートエンコーダアプローチに関する自己完結型チュートリアルを提供する。
本チュートリアルの目的は,人間の行動予測における最先端の手法の分類をレビューし,構築することである。
論文 参考訳（メタデータ） (2020-08-10T03:18:27Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。