論文の概要: Resolving uncertainty on the fly: Modeling adaptive driving behavior as
active inference
- arxiv url: http://arxiv.org/abs/2311.06417v1
- Date: Fri, 10 Nov 2023 22:40:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 18:48:36.407078
- Title: Resolving uncertainty on the fly: Modeling adaptive driving behavior as
active inference
- Title(参考訳): ハエの不確実性の解消--適応運転行動をアクティブ推論としてモデル化する
- Authors: Johan Engstr\"om, Ran Wei, Anthony McDonald, Alfredo Garcia, Matt
O'Kelly and Leif Johnson
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.935068505791817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding adaptive human driving behavior, in particular how drivers
manage uncertainty, is of key importance for developing simulated human driver
models that can be used in the evaluation and development of autonomous
vehicles. However, existing traffic psychology models of adaptive driving
behavior either lack computational rigor or only address specific scenarios
and/or behavioral phenomena. While models developed in the fields of machine
learning and robotics can effectively learn adaptive driving behavior from
data, due to their black box nature, they offer little or no explanation of the
mechanisms underlying the adaptive behavior. Thus, a generalizable,
interpretable, computational model of adaptive human driving behavior is still
lacking. This paper proposes such a model based on active inference, a
behavioral modeling framework originating in computational neuroscience. The
model offers a principled solution to how humans trade progress against caution
through policy selection based on the single mandate to minimize expected free
energy. This casts goal-seeking and information-seeking (uncertainty-resolving)
behavior under a single objective function, allowing the model to seamlessly
resolve uncertainty as a means to obtain its goals. We apply the model in two
apparently disparate driving scenarios that require managing uncertainty, (1)
driving past an occluding object and (2) visual time sharing between driving
and a secondary task, and show how human-like adaptive driving behavior emerges
from the single principle of expected free energy minimization.
- Abstract(参考訳): 適応型人間の運転行動、特にドライバーの不確実性を管理する方法を理解することは、自動運転車の評価と開発に使用できるシミュレーションされた人間の運転モデルを開発する上で重要な意味を持つ。
しかしながら、適応運転行動の既存の交通心理学モデルは計算の厳密さを欠いているか、特定のシナリオや行動現象のみに対処している。
機械学習とロボット工学の分野で開発されたモデルは、ブラックボックスの性質からデータから適応的運転行動を効果的に学習することができるが、適応的行動の基礎となるメカニズムについてはほとんど、あるいは全く説明できない。
したがって、適応的な人間の運転行動の一般化、解釈可能な計算モデルはまだ不足している。
本稿では,計算神経科学を起源とする行動モデリングフレームワークである能動推論に基づくモデルを提案する。
このモデルは、予測された自由エネルギーを最小限に抑えるための単一の義務に基づいた政策選択を通じて、人間が注意からどのように進歩するかを原則的に解決する。
これにより、単一の目的関数の下でゴール探索と情報探索(不確実性解決)の振る舞いをキャストし、モデルがその目標を得る手段として不確実性をシームレスに解決することができる。
本研究では,1)隠蔽物体を通り過ぎ,(2)運転と二次作業の間の視覚的時間的共有,そして,期待される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どのように現われるかを示す2つの異なる運転シナリオに適用する。
関連論文リスト
- DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳(メタデータ) (2024-01-08T03:06:02Z) - 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) - Rethinking Integration of Prediction and Planning in Deep Learning-Based
Automated Driving Systems: A Review [62.997667081978825]
最近の研究は、安全で効率的で快適な運転を実現するためには、相互依存のジョイントステップにおける予測と計画の統合が必要であることを示唆している。
我々は、最先端のディープラーニングベースの予測、計画、統合予測と計画モデルについて体系的にレビューする。
論文 参考訳(メタデータ) (2023-08-10T17:53:03Z) - Using Models Based on Cognitive Theory to Predict Human Behavior in
Traffic: A Case Study [4.705182901389292]
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。
論文 参考訳(メタデータ) (2023-05-24T14:27:00Z) - Modeling human road crossing decisions as reward maximization with
visual perception limitations [23.561752465516047]
我々は,計算的合理性に基づく歩行者横断決定のモデルを開発する。
提案した認知-RLモデルは、ギャップ受容と交差開始時間の人間的なパターンをキャプチャする。
以上の結果から,これは人間の知覚的限界に対する合理的適応である可能性が示唆された。
論文 参考訳(メタデータ) (2023-01-27T14:20:35Z) - 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) - Online Adaptation of Neural Network Models by Modified Extended Kalman
Filter for Customizable and Transferable Driving Behavior Prediction [3.878105750489657]
人間ドライバーの行動予測は、自動運転車の効率的かつ安全な展開に不可欠である。
本稿では,運転行動予測タスクに$tau$-step modified Extended Kalman Filterパラメータ適応アルゴリズムを適用する。
観察された軌跡のフィードバックにより,異なる被験者やシナリオ間での運転行動予測の性能向上にアルゴリズムを適用した。
論文 参考訳(メタデータ) (2021-12-09T05:39:21Z) - 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) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - Solution Concepts in Hierarchical Games under Bounded Rationality with
Applications to Autonomous Driving [14.889137114998652]
階層型ゲームを用いた運転行動のゲーム理論モデルを作成する。
本研究では,自然主義データに適合するモデルと,その予測能力に基づいて行動モデルを評価する。
論文 参考訳(メタデータ) (2020-09-21T17:13:50Z)
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。