Fugu-MT 論文翻訳(概要): Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments

論文の概要: Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments

arxiv url: http://arxiv.org/abs/2407.14247v1
Date: Wed, 17 Jul 2024 06:32:52 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 17:44:33.946874
Title: Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments
Title（参考訳）: 動的交通環境における適応車追従の連続学習
Authors: Xianda Chen, PakHin Tiu, Xu Han, Junjie Chen, Yuanfei Wu, Xinhu Zheng, Meixin Zhu,
Abstract要約: 自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
参考スコア（独自算出の注目度）: 16.587883982785
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The continual evolution of autonomous driving technology requires car-following models that can adapt to diverse and dynamic traffic environments. Traditional learning-based models often suffer from performance degradation when encountering unseen traffic patterns due to a lack of continual learning capabilities. This paper proposes a novel car-following model based on continual learning that addresses this limitation. Our framework incorporates Elastic Weight Consolidation (EWC) and Memory Aware Synapses (MAS) techniques to mitigate catastrophic forgetting and enable the model to learn incrementally from new traffic data streams. We evaluate the performance of the proposed model on the Waymo and Lyft datasets which encompass various traffic scenarios. The results demonstrate that the continual learning techniques significantly outperform the baseline model, achieving 0\% collision rates across all traffic conditions. This research contributes to the advancement of autonomous driving technology by fostering the development of more robust and adaptable car-following models.
Abstract（参考訳）: 自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。我々のフレームワークにはElastic Weight Consolidation(EWC)とMemory Aware Synapses(MAS)技術が組み込まれています。我々は、様々な交通シナリオを含むWaymoとLyftのデータセット上で提案されたモデルの性能を評価する。その結果, 連続学習法はベースラインモデルよりも有意に優れており, 全交通条件における衝突速度は0.5%であることがわかった。本研究は、より堅牢で適応可能な自動車追従モデルの開発を促進することにより、自動運転技術の進歩に寄与する。

関連論文リスト

GenFollower: Enhancing Car-Following Prediction with Large Language Models [11.847589952558566]
我々は、これらの課題に対処するために、大規模言語モデル(LLM)を活用する新しいゼロショットプロンプトアプローチであるGenFollowerを提案する。我々は,車追従動作を言語モデリング問題として再編成し,不均一な入力をLLMのための構造化プロンプトに統合する。オープンデータセットの実験は、GenFollowerの優れたパフォーマンスと解釈可能な洞察を提供する能力を示している。
論文参考訳（メタデータ） (2024-07-08T04:54:42Z)
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)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文参考訳（メタデータ） (2024-01-06T21:04:31Z)
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)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
Car-Following Models: A Multidisciplinary Review [35.57095196826516]
自動車追従モデルには、交通工学、物理学、動的システム制御、認知科学、機械学習、強化学習など、様々な分野が含まれる。それは、理論に基づくキネマティックモデル、心理物理モデル、適応クルーズ制御モデルから強化学習(RL)や模倣学習(IL)のようなデータ駆動アルゴリズムまで、代表的アルゴリズムをレビューする。
論文参考訳（メタデータ） (2023-04-14T14:06:33Z)
Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文参考訳（メタデータ） (2022-04-09T22:07:34Z)
Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
逆強化学習問題として交通シミュレーションを定式化する。動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
論文参考訳（メタデータ） (2021-05-20T07:26:34Z)
A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。 2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
論文参考訳（メタデータ） (2020-12-24T18:04:08Z)
Meta Reinforcement Learning-Based Lane Change Strategy for Autonomous Vehicles [11.180588185127892]
教師付き学習アルゴリズムは、大量のラベル付きデータをトレーニングすることで、新しい環境に一般化することができる。しばしば、新しい環境ごとに十分なデータを得るために、実用的または費用を抑えることができる。エージェントの一般化能力を向上させるメタ強化学習(MRL)法を提案する。
論文参考訳（メタデータ） (2020-08-28T02:57:11Z)

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。