論文の概要: Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing
- arxiv url: http://arxiv.org/abs/2309.16716v1
- Date: Wed, 23 Aug 2023 18:24:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:47:50.727244
- Title: Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable
Abnormal Behaviors of Human Drivers via Information Sharing
- Title(参考訳): ハイブリッド交通における安全自律:情報共有による運転者の予測不可能な異常行動の検出
- Authors: Jiangwei Wang, Lili Su, Songyang Han, Dongjin Song, Fei Miao
- Abstract要約: 提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
- 参考スコア(独自算出の注目度): 21.979007506007733
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hybrid traffic which involves both autonomous and human-driven vehicles would
be the norm of the autonomous vehicles practice for a while. On the one hand,
unlike autonomous vehicles, human-driven vehicles could exhibit sudden abnormal
behaviors such as unpredictably switching to dangerous driving modes, putting
its neighboring vehicles under risks; such undesired mode switching could arise
from numbers of human driver factors, including fatigue, drunkenness,
distraction, aggressiveness, etc. On the other hand, modern vehicle-to-vehicle
communication technologies enable the autonomous vehicles to efficiently and
reliably share the scarce run-time information with each other. In this paper,
we propose, to the best of our knowledge, the first efficient algorithm that
can (1) significantly improve trajectory prediction by effectively fusing the
run-time information shared by surrounding autonomous vehicles, and can (2)
accurately and quickly detect abnormal human driving mode switches or abnormal
driving behavior with formal assurance without hurting human drivers privacy.
To validate our proposed algorithm, we first evaluate our proposed trajectory
predictor on NGSIM and Argoverse datasets and show that our proposed predictor
outperforms the baseline methods. Then through extensive experiments on SUMO
simulator, we show that our proposed algorithm has great detection performance
in both highway and urban traffic. The best performance achieves detection rate
of 97.3%, average detection delay of 1.2s, and 0 false alarm.
- Abstract(参考訳): 自動運転車と人間駆動車の両方を含むハイブリッド交通は、しばらくの間自動運転車の練習の標準となるだろう。
一方、自動運転車とは異なり、人間が運転する車両は、予期せぬ危険な運転モードに切り替えたり、近隣の車両を危険にさらすなどの突然の異常な行動を示す可能性がある。
一方、現代の車両間通信技術により、自動運転車は少ない走行時間情報を効率的にかつ確実に共有することができる。
本稿では,1)周囲の自動運転車が共有する走行時間情報を効果的に融合させることで軌道予測を大幅に改善し,(2)人間のドライバーのプライバシーを損なうことなく,異常運転モードスイッチや異常運転動作を正確にかつ迅速に検出できる,最初の効率的なアルゴリズムを提案する。
提案手法の有効性を検証するため,まずngsimおよびargoverseデータセット上で提案する軌道予測器を評価し,提案手法がベースライン法を上回ることを示す。
そして,SUMOシミュレータの広範な実験により,提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。
最良の性能は検出率97.3%、平均検出遅延1.2s、誤警報0である。
関連論文リスト
- Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Automatic Intersection Management in Mixed Traffic Using Reinforcement
Learning and Graph Neural Networks [0.5801044612920815]
接続された自動運転は、都市交通効率を大幅に改善する可能性がある。
協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。
本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
論文 参考訳(メタデータ) (2023-01-30T08:21:18Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳(メタデータ) (2022-12-05T08:25:09Z) - Exploring the trade off between human driving imitation and safety for
traffic simulation [0.34410212782758043]
運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。
両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
論文 参考訳(メタデータ) (2022-08-09T14:30:19Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - 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) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - 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) - Deep Reinforcement Learning for Human-Like Driving Policies in Collision
Avoidance Tasks of Self-Driving Cars [1.160208922584163]
自動運転ポリシーを生成するために,モデルフリーで深層強化学習手法を導入する。
本研究では,2車線道路における静的障害物回避タスクをシミュレーションで検討する。
このアプローチが人間ライクな運転ポリシーにつながることを実証します。
論文 参考訳(メタデータ) (2020-06-07T18:20:33Z) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳(メタデータ) (2020-04-08T11:45:13Z)
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。