論文の概要: Heterogeneous Decision Making in Mixed Traffic: Uncertainty-aware Planning and Bounded Rationality

• arxiv url: http://arxiv.org/abs/2502.18529v1
• Date: Tue, 25 Feb 2025 00:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:26.600322
• Title: Heterogeneous Decision Making in Mixed Traffic: Uncertainty-aware Planning and Bounded Rationality
• Title（参考訳）: 混在交通における不均一な決定:不確実性を考慮した計画と境界性
• Authors: Hang Wang, Qiaoyi Fang, Junshan Zhang,
• Abstract要約: 混合交通環境における自動走行車(AV)と人力走行車(HV)による異種意思決定について検討した。 その結果, AVの学習成績におけるグッドハートの法則や, HVの意思決定過程における複合効果などの興味深い現象が明らかになった。
• 参考スコア（独自算出の注目度）: 31.66608520780982
• License:
• Abstract: The past few years have witnessed a rapid growth of the deployment of automated vehicles (AVs). Clearly, AVs and human-driven vehicles (HVs) will co-exist for many years, and AVs will have to operate around HVs, pedestrians, cyclists, and more, calling for fundamental breakthroughs in AI designed for mixed traffic to achieve mixed autonomy. Thus motivated, we study heterogeneous decision making by AVs and HVs in a mixed traffic environment, aiming to capture the interactions between human and machine decision-making and develop an AI foundation that enables vehicles to operate safely and efficiently. There are a number of challenges to achieve mixed autonomy, including 1) humans drivers make driving decisions with bounded rationality, and it remains open to develop accurate models for HVs' decision making; and 2) uncertainty-aware planning plays a critical role for AVs to take safety maneuvers in response to the human behavior. In this paper, we introduce a formulation of AV-HV interaction, where the HV makes decisions with bounded rationality and the AV employs uncertainty-aware planning based on the prediction on HV's future actions. We conduct a comprehensive analysis on AV and HV's learning regret to answer the questions: 1) {How does the learning performance depend on HV's bounded rationality and AV's planning}; 2) {How do different decision making strategies impact the overall learning performance}? Our findings reveal some intriguing phenomena, such as Goodhart's Law in AV's learning performance and compounding effects in HV's decision making process. By examining the dynamics of the regrets, we gain insights into the interplay between human and machine decision making.
• Abstract（参考訳）: 過去数年間、自動車両(AV)の配備が急速に増加しているのを目撃している。 AVと人間駆動車(HV)は、長年にわたって共存し、AVはHV、歩行者、サイクリストなどの周辺で運用され、混在する交通を実現するために設計されたAIの基本的なブレークスルーを要求する。 そこで我々は,AVとHVの混在した交通環境における異種意思決定について検討し,人間と機械による意思決定の相互作用を捉え,車両の安全かつ効率的な運転を可能にするAI基盤を開発することを目的とした。 混合自律性を達成するには、いくつかの課題があります。 1)人間ドライバーは、有界な合理性で運転決定を行い、HVの意思決定のための正確なモデルを開発することは依然としてオープンである。 2)不確実性を考慮した計画が,人間の行動に応答して安全操作を行う上で重要な役割を担っている。 本稿では,AV-HV相互作用の定式化について述べる。そこでは,HVが有界な合理性で決定し,AVがHVの将来行動の予測に基づいて不確実性を考慮した計画を採用する。 AVとHVの学習後悔を包括的に分析し、以下の質問に答える。 1) 学習性能は,HVの有界合理性とAVの計画に依存するか。 2) 異なる意思決定戦略が全体的な学習成績にどのような影響を及ぼすか。 その結果, AVの学習成績におけるグッドハートの法則や, HVの意思決定過程における複合効果などの興味深い現象が明らかになった。 後悔のダイナミクスを調べることで、人間と機械による意思決定の相互作用についての洞察を得ることができます。

関連論文リスト

• Automated Vehicles at Unsignalized Intersections: Safety and Efficiency Implications of Mixed-Human-Automated Traffic [6.9492069439607995]
  自動車両(AV)の交通システムへの統合は、道路の安全性と効率を高める前例のない機会である。 本研究では,無人交差点におけるAVと人間駆動車(HV)の行動差と適応性を調べることにより,ギャップを埋めることを目的とする。 AVはより大きな安全マージンを維持しているが、その保守的な行動は、人間のドライバーにとって予期せぬ状況を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2024-10-16T13:19:32Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
  この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。 本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
  論文  参考訳（メタデータ） (2024-02-21T08:29:42Z)
• Development and Assessment of Autonomous Vehicles in Both Fully Automated and Mixed Traffic Conditions [0.0]
  本稿では,単一AVの開発から始まり,接続型AVへと進展する多段階アプローチを提案する。 AVの運転性能を検証するために調査を行い、混合交通事例研究に活用する。 その結果, 深部強化学習を用いて, AVは人間の運転性能に到達した運転行動を得た。 AVネットワークにおける共有とケアに基づくV2Vコミュニケーションの採用は、その運転行動を高め、より効果的な行動計画を支援し、AV間の協調行動を促進する。
  論文  参考訳（メタデータ） (2023-12-08T02:40:11Z)
• Stackelberg Driver Model for Continual Policy Improvement in Scenario-Based Closed-Loop Autonomous Driving [5.765939495779461]
  安全クリティカルなシナリオを合成するための効率的な手法のクラスとして、敵生成法が登場した。 Stackelberg Driver Model (SDM) を調整し、車両相互作用の階層的な性質を正確に特徴づける。 提案アルゴリズムは,特に高次元シナリオにおいて,いくつかのベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-25T15:47:07Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Disengagement Cause-and-Effect Relationships Extraction Using an NLP Pipeline [14.708195642446716]
  カリフォルニア州自動車局(CA DMV)は自動運転車テストプログラムを開始した。 このプログラムは、自律走行から自律走行(AVD)に関するレポートを収集し、リリースする。 本研究は,事前学習モデルを用いた深層移動学習の実践として成功し,統合された解離データベースを生成する。
  論文  参考訳（メタデータ） (2021-11-05T14:00:59Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• A Survey on Autonomous Vehicle Control in the Era of Mixed-Autonomy: From Physics-Based to AI-Guided Driving Policy Learning [7.881140597011731]
  本稿では、人工知能(AI)から自律走行車(AV)制御のための輸送工学分野への潜在的に有用なモデルと方法論の紹介と概要を提供する。 我々は、AI誘導手法の最先端の応用について議論し、機会と障害を特定し、オープンな質問を提起し、AIが混合自律において役割を果たす可能性のあるビルディングブロックとエリアを提案する。
  論文  参考訳（メタデータ） (2020-07-10T04:27:39Z)

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。