論文の概要: Identifying Reaction-Aware Driving Styles of Stochastic Model Predictive
Controlled Vehicles by Inverse Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2308.12069v1
- Date: Wed, 23 Aug 2023 11:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 14:16:24.626166
- Title: Identifying Reaction-Aware Driving Styles of Stochastic Model Predictive
Controlled Vehicles by Inverse Reinforcement Learning
- Title(参考訳): 逆強化学習による確率モデル予測制御車両の反応認識駆動スタイルの同定
- Authors: Ni Dang, Tao Shi, Zengjie Zhang, Wanxin Jin, Marion Leibold, and
Martin Buss
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.482319659599853
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The driving style of an Autonomous Vehicle (AV) refers to how it behaves and
interacts with other AVs. In a multi-vehicle autonomous driving system, an AV
capable of identifying the driving styles of its nearby AVs can reliably
evaluate the risk of collisions and make more reasonable driving decisions.
However, there has not been a consistent definition of driving styles for an AV
in the literature, although it is considered that the driving style is encoded
in the AV's trajectories and can be identified using Maximum Entropy Inverse
Reinforcement Learning (ME-IRL) methods as a cost function. Nevertheless, an
important indicator of the driving style, i.e., how an AV reacts to its nearby
AVs, is not fully incorporated in the feature design of previous ME-IRL
methods. In this paper, we describe the driving style as a cost function of a
series of weighted features. We design additional novel features to capture the
AV's reaction-aware characteristics. Then, we identify the driving styles from
the demonstration trajectories generated by the Stochastic Model Predictive
Control (SMPC) using a modified ME-IRL method with our newly proposed features.
The proposed method is validated using MATLAB simulation and an off-the-shelf
experiment.
- Abstract(参考訳): オートマチック・ビークル(AV)の運転スタイルは、他のAVとどのように行動し、相互作用するかを指す。
多車種自律運転システムにおいて、近隣の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し、より合理的な運転決定を行うことができる。
しかしながら,avの駆動スタイルは,avの軌跡にエントロピーエントロピー逆強化学習法(me-irl)をコスト関数として用いることで同定できると考えられるが,文献上,avの駆動スタイルに関する一貫した定義は存在していない。
それでも、運転スタイルの重要な指標、すなわち、AVが近隣のAVにどのように反応するかは、以前のME-IRL法の特徴設計に完全には組み込まれていない。
本稿では,一連の重み付け特徴のコスト関数として,運転スタイルについて述べる。
我々は、AVの反応認識特性を捉えるために、新たな特徴を設計する。
そこで我々は,Stochastic Model Predictive Control (SMPC) によって生成された実演軌跡から,新しい特徴を持つME-IRL法を用いて駆動形態を同定する。
提案手法はMATLABシミュレーションとオフザシェルフ実験を用いて検証した。
関連論文リスト
- 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) - Exploring Driving Behavior for Autonomous Vehicles Based on Gramian Angular Field Vision Transformer [12.398902878803034]
本稿では,運転動作の分析を目的としたGAF-ViTモデルを提案する。
提案したViTモデルは、Transformer Module、Channel Attention Module、Multi-Channel ViT Moduleの3つの主要なコンポーネントで構成されている。
論文 参考訳(メタデータ) (2023-10-21T04:24:30Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳(メタデータ) (2023-10-03T10:10:42Z) - 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) - Learning Driver Models for Automated Vehicles via Knowledge Sharing and
Personalization [2.07180164747172]
本稿では,自動車間の知識共有とパーソナライゼーションを通じて,自動走行車(AV)ドライバモデルを学習するためのフレームワークについて述べる。
インテリジェントな輸送システム、交通管理、車両間通信など、輸送工学にまたがるいくつかの応用を見出している。
論文 参考訳(メタデータ) (2023-08-31T17:18:15Z) - Connected and Automated Vehicles in Mixed-Traffic: Learning Human Driver
Behavior for Effective On-Ramp Merging [2.6839965970551276]
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。
論文 参考訳(メタデータ) (2023-04-01T22:02:27Z) - Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。
我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。
本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
論文 参考訳(メタデータ) (2022-03-21T02:30:36Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Self-Supervised Steering Angle Prediction for Vehicle Control Using
Visual Odometry [55.11913183006984]
視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。
車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-20T16:29:01Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳(メタデータ) (2020-06-26T11:07:32Z) - 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。