論文の概要: Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior

• arxiv url: http://arxiv.org/abs/2506.14762v1
• Date: Tue, 17 Jun 2025 17:55:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.602261
• Title: Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior
• Title（参考訳）: マルコフレジームスイッチングインテリジェントドライバモデルによる車追従動作の解釈
• Authors: Chengyuan Zhang, Cathy Wu, Lijun Sun,
• Abstract要約: 我々は、運転動作を異なるIDMパラメータセットで制御できるレギュラースイッチングフレームワークを導入する。 IDM力学を用いたファクショナル隠れマルコフモデルを用いてフレームワークをインスタンス化する。
• 参考スコア（独自算出の注目度）: 19.229274803939983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and interpretable car-following models are essential for traffic simulation and autonomous vehicle development. However, classical models like the Intelligent Driver Model (IDM) are fundamentally limited by their parsimonious and single-regime structure. They fail to capture the multi-modal nature of human driving, where a single driving state (e.g., speed, relative speed, and gap) can elicit many different driver actions. This forces the model to average across distinct behaviors, reducing its fidelity and making its parameters difficult to interpret. To overcome this, we introduce a regime-switching framework that allows driving behavior to be governed by different IDM parameter sets, each corresponding to an interpretable behavioral mode. This design enables the model to dynamically switch between interpretable behavioral modes, rather than averaging across diverse driving contexts. We instantiate the framework using a Factorial Hidden Markov Model with IDM dynamics (FHMM-IDM), which explicitly separates intrinsic driving regimes (e.g., aggressive acceleration, steady-state following) from external traffic scenarios (e.g., free-flow, congestion, stop-and-go) through two independent latent Markov processes. Bayesian inference via Markov chain Monte Carlo (MCMC) is used to jointly estimate the regime-specific parameters, transition dynamics, and latent state trajectories. Experiments on the HighD dataset demonstrate that FHMM-IDM uncovers interpretable structure in human driving, effectively disentangling internal driver actions from contextual traffic conditions and revealing dynamic regime-switching patterns. This framework provides a tractable and principled solution to modeling context-dependent driving behavior under uncertainty, offering improvements in the fidelity of traffic simulations, the efficacy of safety analyses, and the development of more human-centric ADAS.
• Abstract（参考訳）: 交通シミュレーションと自動運転車開発には,正確な車両追尾モデルと解釈可能な車両追尾モデルが不可欠である。 しかし、Intelligent Driver Model (IDM) のような古典的なモデルは、そのパシモニアスかつ単一登録構造によって根本的に制限されている。 人間の運転のマルチモーダルな性質を捉えることができず、単一の運転状態(例えば、速度、相対速度、ギャップ)が多くの異なる運転行動を引き起こす。 これにより、モデルは異なる振る舞いを平均化し、その忠実度を減らし、そのパラメータを解釈しにくくする。 そこで本研究では、運転動作を異なるIDMパラメータセットで制御し、それぞれが解釈可能な動作モードに対応するようなレギュラースイッチングフレームワークを提案する。 この設計により、様々な駆動コンテキストを平均化するのではなく、解釈可能な動作モードを動的に切り替えることができる。 IDMダイナミックス(FHMM-IDM)を用いたFactial Hidden Markov Model(FHMM-IDM)を用いて、外部トラフィックシナリオ(例えば、フリーフロー、渋滞、停止、停止)から独立な2つのマルコフプロセスを通して、内在的な運転状態(例えば、アグレッシブアクセラレーション、定常状態フォロー)を明示的に分離するフレームワークをインスタンス化する。 マルコフ連鎖モンテカルロ(MCMC)によるベイズ推定は、状態特異なパラメータ、遷移力学、潜在状態軌道を共同で推定するために用いられる。 HighDデータセットの実験では、FHMM-IDMは人間の運転における解釈可能な構造を明らかにし、文脈的交通条件から効果的に内部のドライバー動作を引き離し、動的シチュエーションスイッチングパターンを明らかにする。 このフレームワークは、不確実性下でのコンテキスト依存運転行動のモデル化、交通シミュレーションの忠実性の向上、安全性分析の有効性、より人間中心のADASの開発のための、トラクタブルで原則化されたソリューションを提供する。

関連論文リスト

• A Driving Regime-Embedded Deep Learning Framework for Modeling Intra-Driver Heterogeneity in Multi-Scale Car-Following Dynamics [5.579243411257874]
  本稿では、離散駆動方式を車体運動予測に組み込む新しいデータ駆動型自動車追従フレームワークを提案する。 提案したハイブリッドディープラーニングアーキテクチャは、離散運転系統分類のためのGated Recurrent Unitsと、連続的キネマティック予測のためのLong Short-Term Memory Networkを組み合わせたものである。 このフレームワークはアクセラレーションの予測誤差を著しく減らし(最大MSE改善は58.47%に達した)、速度と距離を計測し、重要な交通現象を再現する。
  論文  参考訳（メタデータ） (2025-06-06T09:19:33Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Automatic Identification of Driving Maneuver Patterns using a Robust Hidden Semi-Markov Models [14.418658265828586]
  冗長状態の削減とモデル推定の整合性向上を目的として,新しいロバストHDP-HSMM(rHDP-HSMM)法を提案する。 実測データを用いたシミュレーションとケーススタディを併用し, 提案したrHDP-HSMMの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-13T18:13:55Z)
• On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows [13.540998552232006]
  本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。 この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。 我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
  論文  参考訳（メタデータ） (2023-05-22T15:09:04Z)
• Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
  制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。 本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
  論文  参考訳（メタデータ） (2022-10-31T14:44:59Z)
• 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)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• 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。