Fugu-MT 論文翻訳(概要): CHARMS: Cognitive Hierarchical Agent with Reasoning and Motion Styles

論文の概要: CHARMS: Cognitive Hierarchical Agent with Reasoning and Motion Styles

arxiv url: http://arxiv.org/abs/2504.02450v1
Date: Thu, 03 Apr 2025 10:15:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-04 12:57:22.891278
Title: CHARMS: Cognitive Hierarchical Agent with Reasoning and Motion Styles
Title（参考訳）: CHARMS: 推論と動作スタイルを持つ認知的階層的エージェント
Authors: Jingyi Wang, Duanfeng Chu, Zejian Deng, Liping Lu,
Abstract要約: 本稿では、推論と動作スタイルを用いた認知階層型エージェント(CHARMS)を提案する。このモデルは、他の車両の振る舞いを推論し、異なる意思決定スタイルで反応することができる。本稿では,Poisson認知階層理論に基づいて,新たな駆動シナリオ生成手法を提案する。
参考スコア（独自算出の注目度）: 3.231465154405288
License:
Abstract: To address the current challenges of low intelligence and simplistic vehicle behavior modeling in autonomous driving simulation scenarios, this paper proposes the Cognitive Hierarchical Agent with Reasoning and Motion Styles (CHARMS). The model can reason about the behavior of other vehicles like a human driver and respond with different decision-making styles, thereby improving the intelligence and diversity of the surrounding vehicles in the driving scenario. By introducing the Level-k behavioral game theory, the paper models the decision-making process of human drivers and employs deep reinforcement learning to train the models with diverse decision styles, simulating different reasoning approaches and behavioral characteristics. Building on the Poisson cognitive hierarchy theory, this paper also presents a novel driving scenario generation method. The method controls the proportion of vehicles with different driving styles in the scenario using Poisson and binomial distributions, thus generating controllable and diverse driving environments. Experimental results demonstrate that CHARMS not only exhibits superior decision-making capabilities as ego vehicles, but also generates more complex and diverse driving scenarios as surrounding vehicles. We will release code for CHARMS at https://github.com/WUTAD-Wjy/CHARMS.
Abstract（参考訳）: 本稿では,自律運転シミュレーションシナリオにおける低知能・簡易車両行動モデリングの課題に対処するため,認知階層型エージェント(CHARMS)を提案する。このモデルは、人間のドライバーのような他の車の振る舞いを推論し、異なる意思決定スタイルで反応することで、運転シナリオにおける周囲の車両のインテリジェンスと多様性を改善することができる。レベル-kの行動ゲーム理論を導入することで、人間ドライバーの意思決定プロセスをモデル化し、さまざまな意思決定スタイルでモデルをトレーニングし、異なる推論アプローチと行動特性をシミュレートする。本稿では,Poisson認知階層理論に基づいて,新たな駆動シナリオ生成手法を提案する。本手法は,ポアソンと二項分布を用いたシナリオにおいて異なる運転スタイルの車両の割合を制御し,制御可能で多様な運転環境を生成する。実験の結果、CHARMSはエゴ車として優れた意思決定能力を示すだけでなく、周囲の車よりも複雑で多様な運転シナリオを生成することが示された。私たちはCHARMSのコードをhttps://github.com/WUTAD-Wjy/CHARMSでリリースします。

関連論文リスト

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)
Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
論文参考訳（メタデータ） (2023-03-29T16:12:45Z)
Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。我々は、切り離された潜在的想像力に基づいて政策最適化を行う。これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文参考訳（メタデータ） (2023-03-27T02:55:56Z)
TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文参考訳（メタデータ） (2023-03-07T18:28:41Z)
Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文参考訳（メタデータ） (2022-05-27T08:07:39Z)
Causal Imitative Model for Autonomous Driving [85.78593682732836]
慣性および衝突問題に対処するための因果Imitative Model (CIM)を提案する。 CIMは因果モデルを明確に発見し、ポリシーのトレーニングに利用します。実験の結果,本手法は慣性および衝突速度において従来の手法よりも優れていたことがわかった。
論文参考訳（メタデータ） (2021-12-07T18:59:15Z)
Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
論文参考訳（メタデータ） (2021-07-01T20:18:03Z)
Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文参考訳（メタデータ） (2021-04-21T14:30:20Z)
Building Safer Autonomous Agents by Leveraging Risky Driving Behavior Knowledge [1.52292571922932]
本研究は,モデルフリーな学習エージェントを作成するために,重交通や予期せぬランダムな行動を伴うリスクやすいシナリオの作成に重点を置いている。ハイウェイ-envシミュレーションパッケージに新しいカスタムマルコフ決定プロセス(MDP)環境イテレーションを作成することにより、複数の自動運転シナリオを生成します。リスクの高い運転シナリオを補足したモデル自由学習エージェントを訓練し,その性能をベースラインエージェントと比較する。
論文参考訳（メタデータ） (2021-03-16T23:39:33Z)
Modeling Human Driving Behavior through Generative Adversarial Imitation Learning [7.387855463533219]
本稿では、学習に基づくドライバモデリングにおけるGAIL(Generative Adversarial Imitation Learning)の使用について述べる。ドライバモデリングは本質的にマルチエージェント問題であるため,PS-GAILと呼ばれるGAILのパラメータ共有拡張について述べる。本稿では、報酬信号を変更し、エージェントにドメイン固有の知識を提供するReward Augmented Imitation Learning (RAIL)について述べる。
論文参考訳（メタデータ） (2020-06-10T05:47:39Z)
A Probabilistic Framework for Imitating Human Race Driver Behavior [31.524303667746643]
本稿では,運転行動モデリングのタスクを複数のモジュールに分割するモジュラーフレームワークProMoDを提案する。確率的運動プリミティブを用いて大域的目標軌道分布を学習し、局所経路生成にウエイドを使用し、ニューラルネットワークにより対応する行動選択を行う。シミュレーションカーレースセッティングの実験は、他の模倣学習アルゴリズムと比較して、模倣精度とロバスト性にかなりの利点がある。
論文参考訳（メタデータ） (2020-01-22T20:06:38Z)

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。