論文の概要: Autonomous Vehicle Decision-Making Framework for Considering Malicious
Behavior at Unsignalized Intersections
- arxiv url: http://arxiv.org/abs/2409.17162v1
- Date: Wed, 11 Sep 2024 03:57:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 16:50:22.127358
- Title: Autonomous Vehicle Decision-Making Framework for Considering Malicious
Behavior at Unsignalized Intersections
- Title（参考訳）: 悪意を考慮した自律走行車両意思決定フレームワーク
符号なし断面積における挙動
- Authors: Qing Li, Jinxing Hua, Qiuxia Sun
- Abstract要約: 自動運転車では、報酬信号は安全や効率などのフィードバック要因に関する通常の報酬として設定される。
本稿では,緊急時の安全性を高めるために,可変重み付けパラメータによって安全ゲインを変調する。
この決定フレームワークは、無人の交差点で潜在的に悪意のある振る舞いをする車両に遭遇する際に、自律走行車両が情報的決定を行うことを可能にする。
- 参考スコア（独自算出の注目度）: 7.245712580297489
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a Q-learning based decision-making framework to
improve the safety and efficiency of Autonomous Vehicles when they encounter
other maliciously behaving vehicles while passing through unsignalized
intersections. In Autonomous Vehicles, conventional reward signals are set as
regular rewards regarding feedback factors such as safety and efficiency. In
this paper, safety gains are modulated by variable weighting parameters to
ensure that safety can be emphasized more in emergency situations. The
framework proposed in this paper introduces first-order theory of mind
inferences on top of conventional rewards, using first-order beliefs as
additional reward signals. The decision framework enables Autonomous Vehicles
to make informed decisions when encountering vehicles with potentially
malicious behaviors at unsignalized intersections, thereby improving the
overall safety and efficiency of Autonomous Vehicle transportation systems. In
order to verify the performance of the decision framework, this paper uses
Prescan/Simulink co-simulations for simulation, and the results show that the
performance of the decision framework can meet the set requirements.
- Abstract（参考訳）: 本稿では,不特定交差点を通過しながら,他の悪意ある行動車両に遭遇した場合に,自動運転車の安全性と効率を向上させるためのQラーニングに基づく意思決定フレームワークを提案する。
自律走行車では、従来の報酬信号が安全や効率などのフィードバック要因に関する通常の報酬として設定される。
本稿では,緊急時の安全性を高めるために,可変重み付けパラメータによって安全ゲインを変調する。
本稿では,一階の信念を付加的な報酬信号として用い,従来の報酬の上に一階の心推定理論を導入する。
この決定枠組みにより、自動運転車は、信号のない交差点で潜在的に悪意のある振る舞いをする車両に遭遇する際に、情報的な決定を下すことができ、それによって、自動運転車輸送システムの全体的な安全性と効率を向上させることができる。
本稿では,決定フレームワークの性能を検証するために,Prescan/Simulink共シミュレーションを用いてシミュレーションを行い,その結果から,決定フレームワークの性能が設定された要件を満たすことを示す。
関連論文リスト
- CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。
第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。
我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-26T00:00:27Z) - 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) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳（メタデータ） (2023-11-28T03:13:09Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - Interaction-Aware Decision-Making for Autonomous Vehicles in Forced
Merging Scenario Leveraging Social Psychology Factors [7.812717451846781]
インタラクションドライバの社会的行動と個人的目的の両方を取り入れた行動モデルを考える。
我々は、他のドライバーの意図をオンラインで見積もる、後退する水平制御に基づく意思決定戦略を開発する。
論文 参考訳（メタデータ） (2023-09-25T19:49:14Z) - Safety Margins for Reinforcement Learning [53.10194953873209]
安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。
Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
論文 参考訳（メタデータ） (2023-07-25T16:49:54Z) - Evaluation of Pedestrian Safety in a High-Fidelity Simulation Environment Framework [21.456269382916062]
本稿では,自動運転のための歩行者安全評価手法を提案する。
歩行者の安全に重要な特徴を組み込んだ高忠実度シミュレーションフレームワークを構築した。
提案手法とフレームワークは、異なる自律運転アルゴリズムにアクセスできる。
論文 参考訳（メタデータ） (2022-10-17T03:53:50Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z) - Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic
Junction Driving [20.85562165500152]
道路交通ジャンクションのシナリオでは、車両は通常、輸送環境から部分的な観察を受ける。
本研究では,3つのベースラインDRLモデル(DQN,A2C,PPO)の安全性評価を行った。
提案した自己認識注意-DQNは,交差点およびラウンドアバウンドシナリオにおける安全性を著しく向上させることができる。
論文 参考訳（メタデータ） (2022-01-20T11:21:33Z) - Risk-Constrained Interactive Safety under Behavior Uncertainty for
Autonomous Driving [0.0]
許可された計画領域を制限する安全封筒は、行動の不確実性の存在下で解釈可能な安全性をもたらす。
人間は、安全封筒に違反する確率的リスクを受け入れることによって、密集した交通における安全と効率のバランスをとる。
論文 参考訳（メタデータ） (2021-02-05T08:33:39Z)
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。