論文の概要: Evaluating Scenario-based Decision-making for Interactive Autonomous Driving Using Rational Criteria: A Survey

• arxiv url: http://arxiv.org/abs/2501.01886v1
• Date: Fri, 03 Jan 2025 16:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:10:54.553757
• Title: Evaluating Scenario-based Decision-making for Interactive Autonomous Driving Using Rational Criteria: A Survey
• Title（参考訳）: 合理的基準を用いた対話型自律運転におけるシナリオベース意思決定の評価
• Authors: Zhen Tian, Zhihao Lin, Dezong Zhao, Wenjing Zhao, David Flynn, Shuja Ansari, Chongfeng Wei,
• Abstract要約: 本調査では, 自律走行における深部強化学習(DRL)アルゴリズムの適用について概説する。 シナリオとしては、ハイウェイ、オンランプのマージ、ラウンドアバウンド、未署名の交差点などがある。 DRLに基づくアルゴリズムは、運転安全性、運転効率、訓練効率、非利己性、解釈可能性の5つの基準に基づいて評価される。
• 参考スコア（独自算出の注目度）: 14.51227749657833
• License:
• Abstract: Autonomous vehicles (AVs) can significantly promote the advances in road transport mobility in terms of safety, reliability, and decarbonization. However, ensuring safety and efficiency in interactive during within dynamic and diverse environments is still a primary barrier to large-scale AV adoption. In recent years, deep reinforcement learning (DRL) has emerged as an advanced AI-based approach, enabling AVs to learn decision-making strategies adaptively from data and interactions. DRL strategies are better suited than traditional rule-based methods for handling complex, dynamic, and unpredictable driving environments due to their adaptivity. However, varying driving scenarios present distinct challenges, such as avoiding obstacles on highways and reaching specific exits at intersections, requiring different scenario-specific decision-making algorithms. Many DRL algorithms have been proposed in interactive decision-making. However, a rationale review of these DRL algorithms across various scenarios is lacking. Therefore, a comprehensive evaluation is essential to assess these algorithms from multiple perspectives, including those of vehicle users and vehicle manufacturers. This survey reviews the application of DRL algorithms in autonomous driving across typical scenarios, summarizing road features and recent advancements. The scenarios include highways, on-ramp merging, roundabouts, and unsignalized intersections. Furthermore, DRL-based algorithms are evaluated based on five rationale criteria: driving safety, driving efficiency, training efficiency, unselfishness, and interpretability (DDTUI). Each criterion of DDTUI is specifically analyzed in relation to the reviewed algorithms. Finally, the challenges for future DRL-based decision-making algorithms are summarized.
• Abstract（参考訳）: 自律走行車(AV)は、安全、信頼性、脱炭素化の観点から、道路輸送のモビリティの進歩を著しく促進することができる。 しかし、動的で多様な環境でのインタラクティブな安全性と効率を確保することは、大規模なAV導入にとって依然として大きな障壁である。 近年、深層強化学習(DRL)は高度なAIベースのアプローチとして登場しており、AVはデータやインタラクションから意思決定戦略を適応的に学習することができる。 DRL戦略は、適応性のために複雑な、動的、予測不可能な運転環境を扱う従来のルールベースの手法よりも適している。 しかし、様々な運転シナリオは、高速道路の障害物を避けたり、交差点で特定の出口に到達したり、異なるシナリオ固有の意思決定アルゴリズムを必要とするなど、異なる課題を示す。 対話型意思決定において多くのDRLアルゴリズムが提案されている。 しかし、これらのDRLアルゴリズムの様々なシナリオに対する合理的なレビューは欠如している。 したがって、車両利用者や自動車製造者を含む複数の視点からこれらのアルゴリズムを評価するためには、包括的評価が不可欠である。 本調査では,典型的なシナリオをまたいだ自律走行におけるDRLアルゴリズムの適用,道路特徴の要約,最近の進歩について概説する。 シナリオとしては、ハイウェイ、オンランプのマージ、ラウンドアバウンド、未署名の交差点などがある。 さらに、DRLに基づくアルゴリズムは、運転安全性、運転効率、訓練効率、非利己性、解釈可能性(DDTUI)の5つの基準に基づいて評価される。 DDTUIの各基準は、レビューされたアルゴリズムに関連して明確に分析される。 最後に,DRLに基づく意思決定アルゴリズムの課題を要約する。

関連論文リスト

• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• Action and Trajectory Planning for Urban Autonomous Driving with Hierarchical Reinforcement Learning [1.3397650653650457]
  本稿では,階層型強化学習法(atHRL)を用いた行動・軌道プランナを提案する。 我々は、複雑な都市運転シナリオにおける広範な実験を通して、atHRLの有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2023-06-28T07:11:02Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Motion Planning for Autonomous Vehicles in the Presence of Uncertainty Using Reinforcement Learning [0.0]
  不確実性の下での運動計画は、自動運転車の開発における主要な課題の1つである。 最悪の事例を最適化して不確実性を管理するための強化学習に基づくソリューションを提案する。 提案手法は従来のRLアルゴリズムよりもはるかに優れた動作計画行動を示し,人間の運転スタイルと相容れない動作を示す。
  論文  参考訳（メタデータ） (2021-10-01T20:32:25Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Deep Policy Dynamic Programming for Vehicle Routing Problems [89.96386273895985]
  本稿では,学習ニューラルの強みと動的プログラミングアルゴリズムの強みを組み合わせた深層ポリシー動的プログラミング(d pdp)を提案する。 D PDPは、例の解からエッジを予測するために訓練されたディープニューラルネットワークから派生したポリシーを使用して、DP状態空間を優先し、制限する。 本研究では,旅行セールスマン問題 (TSP) と車両ルーティング問題 (VRP) の枠組みを評価し,ニューラルネットワークが(制限された)DPアルゴリズムの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2021-02-23T15:33:57Z)
• Decision-making for Autonomous Vehicles on Highway: Deep Reinforcement Learning with Continuous Action Horizon [14.059728921828938]
  本稿では,高速道路における連続水平決定問題に対処するために,深部強化学習(DRL)手法を用いる。 エゴ自動車両の走行目標は、衝突することなく効率的でスムーズなポリシーを実行することである。 PPO-DRLに基づく意思決定戦略は、最適性、学習効率、適応性など、複数の観点から推定される。
  論文  参考訳（メタデータ） (2020-08-26T22:49:27Z)
• A Comparative Analysis of Deep Reinforcement Learning-enabled Freeway Decision-making for Automated Vehicles [2.394554182452767]
  人工知能の課題に対処するための強力な方法論として、深層強化学習(DRL)が登場している。 本稿では高速道路における自律走行車による意思決定問題に対するDRLアプローチについて比較する。 これらのDRL対応意思決定戦略の制御性能を評価するために,一連のシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2020-08-04T03:21:34Z)
• Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning [6.298084785377199]
  高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。 これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。 DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
  論文  参考訳（メタデータ） (2020-07-16T23:41:48Z)

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。