論文の概要: Evidence and quantification of cooperation of driving agents in mixed traffic flow

• arxiv url: http://arxiv.org/abs/2408.07297v2
• Date: Tue, 25 Feb 2025 00:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:17:37.624782
• Title: Evidence and quantification of cooperation of driving agents in mixed traffic flow
• Title（参考訳）: 混合交通流における駆動エージェントの協調の証拠と定量化
• Authors: Di Chen, Jia Li, H. Michael Zhang,
• Abstract要約: 協力は、多くの自然、社会的、工学的なシステムにおいて、複数のエージェントを持つユビキタスな現象である。 実験データから運転エージェントの協調性を定義・同定する方法は曖昧に思われる。 駆動エージェントの集合的協調性を同定するための統合概念的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 21.67640928933297
• License:
• Abstract: Cooperation is a ubiquitous phenomenon in many natural, social, and engineered systems with multiple agents. Understanding the formation of cooperation in mixed traffic is of theoretical interest in its own right, and could also benefit the design and operations of future automated and mixed-autonomy transportation systems. However, how cooperativeness of driving agents can be defined and identified from empirical data seems ambiguous and this hinders further empirical characterizations of the phenomenon and revealing its behavior mechanisms. Towards mitigating this gap, in this paper, we propose a unified conceptual framework to identify collective cooperativeness of driving agents. This framework expands the concept of collective rationality from our recent model (Li et al. 2022a), making it empirically identifiable and behaviorally interpretable in realistic (microscopic and dynamic) settings. This framework integrates mixed traffic observations at both microscopic and macroscopic scales to estimate critical behavioral parameters that describe the collective cooperativeness of driving agents. Applying this framework to NGSIM I-80 trajectory data, we empirically confirm the existence of collective cooperation and quantify the condition and likelihood of its emergence. This study provides the first empirical understanding of collective cooperativeness in human-driven mixed traffic and points to new possibilities to manage mixed autonomy traffic systems.
• Abstract（参考訳）: 協力は、多くの自然、社会的、工学的なシステムにおいて、複数のエージェントを持つユビキタスな現象である。 混合交通における協調の形成を理解することは、理論的にはそれ自身の権利に関心を持ち、将来の自動・混合自律輸送システムの設計と運用にも利益をもたらす可能性がある。 しかし、運転エージェントの協調性が実験データからどのように定義され、識別されるかは曖昧に思えるため、この現象のさらなる経験的特徴を阻害し、その行動機構を明らかにする。 本稿では,このギャップを緩和するために,運転エージェントの集合的協調性を識別するための統一的な概念的枠組みを提案する。 この枠組みは、我々の最近のモデル(Li et al 2022a)から集合的合理性の概念を拡張し、現実的な(顕微鏡的および動的)環境で経験的に識別可能で、行動的に解釈可能である。 このフレームワークは、顕微鏡とマクロスケールの両方で混在する交通観測を統合し、駆動エージェントの集合的協調性を記述する重要な行動パラメータを推定する。 この枠組みをNGSIM I-80軌道データに適用し、集団協調の存在を実証的に確認し、その出現条件と可能性の定量化を行う。 本研究は、人力混合交通における集団協調性に関する最初の実証的理解を提供し、混合自律交通システムを管理する新しい可能性を示している。

関連論文リスト

• EI-Drive: A Platform for Cooperative Perception with Realistic Communication Models [16.023748778830562]
  EI-DriveはエッジAIベースの自動運転シミュレーションプラットフォームである。 高度な協調認識とより現実的なコミュニケーションモデルを統合する。 EI-Driveを用いた実験では、車両の安全性と性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-12-13T01:37:44Z)
• CoMAL: Collaborative Multi-Agent Large Language Models for Mixed-Autonomy Traffic [11.682456863110767]
  CoMALは、交通の流れを最適化するために、自動運転車間のコラボレーションによって、混在する自律交通問題に対処するために設計されたフレームワークである。 CoMALは大きな言語モデル上に構築されており、対話的な交通シミュレーション環境で動作する。
  論文  参考訳（メタデータ） (2024-10-18T10:53:44Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
  マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。 本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。 中間コラボレーションのための新しいフレームワークCMiMCを提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:18:55Z)
• QUEST: Query Stream for Practical Cooperative Perception [5.750142092931156]
  本稿では,解釈可能なインスタンスレベルのフレキシブルな機能インタラクションを実現するためのクエリ協調の概念を提案する。 クロスエージェントクエリは、共同認識インスタンスの融合と、個々の未認識インスタンスの補完を通じて対話される。
  論文  参考訳（メタデータ） (2023-08-03T15:06:23Z)
• Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
  半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。 新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。 エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
  論文  参考訳（メタデータ） (2023-04-23T16:01:36Z)
• Federated Learning Framework Coping with Hierarchical Heterogeneity in Cooperative ITS [10.087704332539161]
  階層的不均一性(H2-Fed)に対処する連合学習フレームワークを提案する。 このフレームワークは、ユーザーデータのプライバシに影響を与えることなく、車両ネットワーク内の接続された公共交通機関のデータを利用する。
  論文  参考訳（メタデータ） (2022-04-01T05:33:54Z)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)

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。