論文の概要: Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions

• arxiv url: http://arxiv.org/abs/2504.20004v1
• Date: Mon, 28 Apr 2025 17:24:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.534525
• Title: Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions
• Title（参考訳）: 社会的に意識した自律運転:安全インタラクションのための収量意図を推定する
• Authors: Jing Wang, Yan Jin, Hamid Taghavifar, Fei Ding, Chongfeng Wei,
• Abstract要約: 本稿では,DAG(Deep Reinforcement Learning, 深層強化学習)アルゴリズムを用いた意思決定フレームワークを提案する。 提案手法の性能を評価するため, 模擬環境下での車線変更シナリオにおいて, 提案手法を検証, 適用することができる。
• 参考スコア（独自算出の注目度）: 7.735477839355801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the emergence of autonomous driving technology, it has advanced rapidly over the past decade. It is becoming increasingly likely that autonomous vehicles (AVs) would soon coexist with human-driven vehicles (HVs) on the roads. Currently, safety and reliable decision-making remain significant challenges, particularly when AVs are navigating lane changes and interacting with surrounding HVs. Therefore, precise estimation of the intentions of surrounding HVs can assist AVs in making more reliable and safe lane change decision-making. This involves not only understanding their current behaviors but also predicting their future motions without any direct communication. However, distinguishing between the passing and yielding intentions of surrounding HVs still remains ambiguous. To address the challenge, we propose a social intention estimation algorithm rooted in Directed Acyclic Graph (DAG), coupled with a decision-making framework employing Deep Reinforcement Learning (DRL) algorithms. To evaluate the method's performance, the proposed framework can be tested and applied in a lane-changing scenario within a simulated environment. Furthermore, the experiment results demonstrate how our approach enhances the ability of AVs to navigate lane changes safely and efficiently on roads.
• Abstract（参考訳）: 自動運転技術の登場以来、この10年間で急速に進歩してきた。 自動運転車(AV)が、間もなく道路上の人間駆動車(HV)と共存する可能性がますます高まっている。 現在、安全と信頼性の高い意思決定は重要な課題であり、特にAVが車線変更や周囲のHVとの対話を行う場合である。 したがって、周囲のHVの意図を正確に推定することで、より信頼性が高く安全な車線変更意思決定を支援することができる。 これは、現在の行動を理解するだけでなく、直接のコミュニケーションなしに将来の動きを予測することを含む。 しかし、周囲のHVの通過意図と放出意図の区別は依然として曖昧である。 そこで本研究では,DAG(Deep Reinforcement Learning, DRL)アルゴリズムを用いた意思決定フレームワークと組み合わせ, DAG(Directed Acyclic Graph)を基盤とした社会的意図推定アルゴリズムを提案する。 提案手法の性能を評価するため, 模擬環境下での車線変更シナリオにおいて, 提案手法を検証, 適用することができる。 さらに,提案手法が道路上での車線変化を安全かつ効率的にナビゲートする能力を高めることを実証した。

関連論文リスト

• Heterogeneous Decision Making in Mixed Traffic: Uncertainty-aware Planning and Bounded Rationality [31.66608520780982]
  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。
  論文  参考訳（メタデータ） (2025-02-25T00:32:33Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• A Cooperation-Aware Lane Change Method for Autonomous Vehicles [16.937363492078426]
  本稿では,車両間の相互作用を利用した協調型車線変更手法を提案する。 まず,AVと他者間の協調の可能性を探るため,対話的な軌道予測手法を提案する。 次に,モデル予測制御(MPC)に基づく動作計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-26T04:45:45Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios [8.484564880157148]
  本稿では,高密度交通シナリオにおける対話型モーションプランニングのための新しい枠組みを提案する。 我々は,他車両の協調性に関する国際的ガイダンスを提供するインタラクション対応政策であるDeep Reinforcement Learning (RL) を通じて学習することを提案する。 学習されたポリシーは、ローカル最適化ベースのプランナーを推論し、対話的な振る舞いで誘導し、他の車両が収まらない場合に安全を維持しながら、密集したトラフィックに積極的にマージする。
  論文  参考訳（メタデータ） (2021-07-09T16:43:12Z)
• 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)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)

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。