論文の概要: Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation

• arxiv url: http://arxiv.org/abs/2311.16091v1
• Date: Mon, 27 Nov 2023 18:57:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 13:37:36.140873
• Title: Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation
• Title（参考訳）: 内部状態推論と相互活動推定を用いた対話型自律ナビゲーション
• Authors: Jiachen Li and David Isele and Kanghoon Lee and Jinkyoo Park and Kikuo Fujimura and Mykel J. Kochenderfer
• Abstract要約: 本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 58.21683603243387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (DRL) provides a promising way for intelligent agents (e.g., autonomous vehicles) to learn to navigate complex scenarios. However, DRL with neural networks as function approximators is typically considered a black box with little explainability and often suffers from suboptimal performance, especially for autonomous navigation in highly interactive multi-agent environments. To address these issues, we propose three auxiliary tasks with spatio-temporal relational reasoning and integrate them into the standard DRL framework, which improves the decision making performance and provides explainable intermediate indicators. We propose to explicitly infer the internal states (i.e., traits and intentions) of surrounding agents (e.g., human drivers) as well as to predict their future trajectories in the situations with and without the ego agent through counterfactual reasoning. These auxiliary tasks provide additional supervision signals to infer the behavior patterns of other interactive agents. Multiple variants of framework integration strategies are compared. We also employ a spatio-temporal graph neural network to encode relations between dynamic entities, which enhances both internal state inference and decision making of the ego agent. Moreover, we propose an interactivity estimation mechanism based on the difference between predicted trajectories in these two situations, which indicates the degree of influence of the ego agent on other agents. To validate the proposed method, we design an intersection driving simulator based on the Intelligent Intersection Driver Model (IIDM) that simulates vehicles and pedestrians. Our approach achieves robust and state-of-the-art performance in terms of standard evaluation metrics and provides explainable intermediate indicators (i.e., internal states, and interactivity scores) for decision making.
• Abstract（参考訳）: 深層強化学習(DRL)は、インテリジェントエージェント(例えば自動運転車)が複雑なシナリオをナビゲートする有望な方法を提供する。 しかしながら、関数近似器としてのニューラルネットワークを持つDRLは、説明可能性の少ないブラックボックスと見なされ、特に高度にインタラクティブなマルチエージェント環境での自律的なナビゲーションにおいて、最適以下の性能に悩まされることが多い。 これらの課題に対処するため、時空間関係推論を用いた3つの補助タスクを提案し、それらを標準DRLフレームワークに統合し、意思決定性能を改善し、説明可能な中間指標を提供する。 本研究では,周囲のエージェント(例えば,人間ドライバー)の内部状態(特性や意図)を明示的に推測するとともに,エゴエージェントを介さない状況下での将来の軌跡を予測することを提案する。 これらの補助的なタスクは、他の対話エージェントの行動パターンを推測するための追加の監視信号を提供する。 フレームワーク統合戦略の複数のバリエーションを比較します。 また,動的エンティティ間の関係をエンコードする時空間グラフニューラルネットワークを用いて,egoエージェントの内部状態推論と意思決定の両方を強化する。 さらに,これらの2つの状況における予測軌跡の差に基づく相互作用性推定機構を提案し,エゴ剤が他のエージェントに与える影響の度合いを示す。 提案手法を検証するため,車と歩行者をシミュレートするIntelligent Intersection Driver Model (IIDM) に基づく交差点運転シミュレータを設計した。 本手法は,標準評価指標を用いてロバストかつ最先端のパフォーマンスを達成し,意思決定のための説明可能な中間指標(内部状態,対話性スコア)を提供する。

関連論文リスト

• Planning-Aware Diffusion Networks for Enhanced Motion Forecasting in Autonomous Driving [0.0]
  Planning-Integrated Forecasting Model (PIFM)は、脳における意思決定とマルチエージェント協調を管理する神経機構にインスパイアされた新しいフレームワークである。 PIFMはシナリオ内の全てのエージェントの将来の軌跡を予測することができる。 このアーキテクチャは、外部刺激やその他のエージェントの行動に基づいた予測を動的に調整する脳の手法と平行して、モデルの透明性を高める。
  論文  参考訳（メタデータ） (2024-10-25T15:44:51Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Autonomous Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesデータセットで行った実験は、DiFSDの優れた計画性能と優れた効率を示す。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
  我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。 DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。 実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-09T14:04:21Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Reason2Drive: Towards Interpretable and Chain-based Reasoning for Autonomous Driving [38.28159034562901]
  Reason2Driveは600万以上のビデオテキストペアを備えたベンチマークデータセットである。 我々は、自律運転プロセスが知覚、予測、推論ステップの逐次的な組み合わせであると特徴付けている。 本稿では,自律システムにおける連鎖型推論性能を評価するための新しい集計評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-06T18:32:33Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
  本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。 我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。 我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-31T03:31:09Z)
• Domain Knowledge Driven Pseudo Labels for Interpretable Goal-Conditioned Interactive Trajectory Prediction [29.701029725302586]
  目標条件付きフレームワークを用いた共同軌道予測問題について検討する。 本研究では,条件付き変分自動エンコーダ(CVAE)モデルを導入し,異なる相互作用モードを潜在空間に明示的にエンコードする。 KLの消滅を回避する新しい手法を提案し、擬似ラベルを用いた解釈可能な対話型潜在空間を誘導する。
  論文  参考訳（メタデータ） (2022-03-28T21:41:21Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。