Fugu-MT 論文翻訳(概要): Identifying and modelling cognitive biases in mobility choices

論文の概要: Identifying and modelling cognitive biases in mobility choices

arxiv url: http://arxiv.org/abs/2402.09921v1
Date: Thu, 15 Feb 2024 12:58:27 GMT
ステータス: 処理完了
システム内更新日: 2024-02-16 15:52:04.381332
Title: Identifying and modelling cognitive biases in mobility choices
Title（参考訳）: モビリティ選択における認知バイアスの同定とモデル化
Authors: Chloe Conrad and Carole Adam
Abstract要約: 本報告では,エージェントベースモデリングと日常移動選択のシミュレーションを目的としたM1インターンシップの結果を報告する。このシミュレーションは、モビリティ・トランジションに関する真剣なゲームの基礎となるのに十分現実的であることを意図している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This report presents results from an M1 internship dedicated to agent-based modelling and simulation of daily mobility choices. This simulation is intended to be realistic enough to serve as a basis for a serious game about the mobility transition. In order to ensure this level of realism, we conducted a survey to measure if real mobility choices are made rationally, or how biased they are. Results analysed here show that various biases could play a role in decisions. We then propose an implementation in a GAMA agent-based simulation.
Abstract（参考訳）: 本報告は,エージェントベースのモデリングと日常移動選択のシミュレーションに特化したm1インターンシップの結果を示す。このシミュレーションは、モビリティ移行に関する真剣なゲームの基礎となるのに十分現実的であることを意図している。このような現実主義のレベルを確保するために,我々は,現実の移動選択が合理的に行われているか,どのように偏っているかを測定する調査を行った。ここで分析された結果は、さまざまなバイアスが意思決定に役割を果たすことを示している。次に,GAMAエージェントに基づくシミュレーションの実装を提案する。

関連論文リスト

A survey about perceptions of mobility to inform an agent-based simulator of subjective modal choice [0.0]
これはJFSMA-JFMS 2024 "Un simulateur multi-agent de choix modal subjectif"でフランス語で公開されたデモペーパーの拡張版である。
論文参考訳（メタデータ） (2025-02-17T17:25:18Z)
AI-Driven Day-to-Day Route Choice [15.934133434324755]
LLMTravelerは過去の経験から学び、検索したデータと性格特性のバランスをとることで意思決定を行うエージェントである。本稿では,LLMTravelerが日常の混雑ゲーム2段階を通じて人間的な意思決定を再現する能力について,体系的に評価する。この能力は、旅行者の新しいポリシーに対する反応やネットワークの変更をシミュレートするなど、交通政策立案に有用な洞察を提供する。
論文参考訳（メタデータ） (2024-12-04T14:13:38Z)
An agent-based model of modal choice with perception biases and habits [0.0]
本稿では,習慣や知覚バイアスといった人的要因の影響を受け,エージェントによる移動選択モデルを提案する。 Netlogoシミュレータで実装されており、モビリティの知覚に関するオンライン調査の結果から校正されている。
論文参考訳（メタデータ） (2024-06-04T07:44:57Z)
A survey to measure cognitive biases influencing mobility choices [0.0]
本稿では,4つのモビリティモード(車,バス,自転車,歩行)の知覚と6つのモード選択要因に対するユーザの嗜好について述べる。この調査は2023年に650の回答を集め、オープンデータとして公開された。プレイヤーが都市をより持続可能なものにするための計画的な選択に直面している都市マネジャーの役割を担うシミュレーションベースの真剣なゲームの設計が進行中である。
論文参考訳（メタデータ） (2024-05-06T08:12:13Z)
Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文参考訳（メタデータ） (2023-09-01T19:29:53Z)
Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
論文参考訳（メタデータ） (2023-07-28T05:47:24Z)
Perception Imitation: Towards Synthesis-free Simulator for Autonomous Vehicles [45.27200446670184]
本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
論文参考訳（メタデータ） (2023-04-19T01:27:02Z)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)
A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文参考訳（メタデータ） (2020-11-17T22:24:26Z)
Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。