論文の概要: Game-Theoretic Modeling of Vehicle Unprotected Left Turns Considering Drivers' Bounded Rationality

• arxiv url: http://arxiv.org/abs/2507.03002v1
• Date: Wed, 02 Jul 2025 02:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.51896
• Title: Game-Theoretic Modeling of Vehicle Unprotected Left Turns Considering Drivers' Bounded Rationality
• Title（参考訳）: 運転者の境界性を考慮した車両非保護左折のゲーム理論モデリング
• Authors: Yuansheng Lian, Ke Zhang, Meng Li, Shen Li,
• Abstract要約: 車両の左旋回防止シナリオに対する新たな意思決定モデルを提案する。 我々のモデルは、ドライバーの有界合理性を考慮したゲーム理論を統合する。 本研究は,有界有理性を有する車両の意思決定行動に関する貴重な知見に寄与する。
• 参考スコア（独自算出の注目度）: 17.5324678856791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling the decision-making behavior of vehicles presents unique challenges, particularly during unprotected left turns at intersections, where the uncertainty of human drivers is especially pronounced. In this context, connected autonomous vehicle (CAV) technology emerges as a promising avenue for effectively managing such interactions while ensuring safety and efficiency. Traditional approaches, often grounded in game theory assumptions of perfect rationality, may inadequately capture the complexities of real-world scenarios and drivers' decision-making errors. To fill this gap, we propose a novel decision-making model for vehicle unprotected left-turn scenarios, integrating game theory with considerations for drivers' bounded rationality. Our model, formulated as a two-player normal-form game solved by a quantal response equilibrium (QRE), offers a more nuanced depiction of driver decision-making processes compared to Nash equilibrium (NE) models. Leveraging an Expectation-Maximization (EM) algorithm coupled with a subtle neural network trained on precise microscopic vehicle trajectory data, we optimize model parameters to accurately reflect drivers' interaction-aware bounded rationality and driving styles. Through comprehensive simulation experiments, we demonstrate the efficacy of our proposed model in capturing the interaction-aware bounded rationality and decision tendencies between players. The proposed model proves to be more realistic and efficient than NE models in unprotected left-turn scenarios. Our findings contribute valuable insights into the vehicle decision-making behaviors with bounded rationality, thereby informing the development of more robust and realistic autonomous driving systems.
• Abstract（参考訳）: 車両の意思決定行動のモデル化は、特に人間の運転者の不確実性が特に顕著である交差点での無防備な左旋回において、独特な課題を示す。 このような状況下では、コネクテッド・オートモービル(CAV)技術は、安全性と効率性を確保しつつ、このようなインタラクションを効果的に管理するための有望な道として出現する。 伝統的なアプローチは、しばしば完全合理性のゲーム理論の仮定に基づいており、現実のシナリオとドライバーの意思決定エラーの複雑さを不適切に捉えている。 このギャップを埋めるために、ドライバの有界合理性を考慮したゲーム理論を統合することにより、車両の無保護左折シナリオに対する新たな意思決定モデルを提案する。 我々のモデルは、量子応答平衡(QRE)によって解決された2プレーヤの正規形式ゲームとして定式化され、ナッシュ平衡(NE)モデルと比較して、ドライバー決定過程のニュアンスな描写を提供する。 予測最大化(EM)アルゴリズムと、精密な微視的車両軌跡データに基づいて訓練された微妙なニューラルネットワークを組み合わせることにより、モデルパラメータを最適化し、ドライバのインタラクションを意識した有界合理性と運転スタイルを正確に反映する。 総合シミュレーション実験を通じて,プレイヤー間の相互作用を意識した有界合理性と決定傾向を捉える上で,提案モデルの有効性を実証する。 提案したモデルは、保護されていない左旋回シナリオにおいて、NEモデルよりも現実的で効率的であることが証明されている。 本研究は,より堅牢で現実的な自律運転システムの開発を促すために,有界な合理性を持った車両意思決定行動に関する貴重な知見を提供する。

関連論文リスト

• MR-LDM -- The Merge-Reactive Longitudinal Decision Model: Game Theoretic Human Decision Modeling for Interactive Sim Agents [0.9883562565157391]
  我々は,戦術的意思決定のためのゲーム理論モデルをターゲットにして,ハイウェイマージシナリオのシミュレーションを改善することを目的としている。 これを基礎となるダイナミックスモデルと組み合わせて、より現実的なインタラクションをキャプチャできる統一された決定と動的モデルを持ちます。
  論文  参考訳（メタデータ） (2025-07-15T20:41:00Z)
• Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior [19.229274803939983]
  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。
  論文  参考訳（メタデータ） (2025-06-17T17:55:42Z)
• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
  本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。 このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
  論文  参考訳（メタデータ） (2024-01-08T03:06:02Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• 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)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
  本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。 我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。 我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-31T03:31:09Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• Towards a Systematic Computational Framework for Modeling Multi-Agent Decision-Making at Micro Level for Smart Vehicles in a Smart World [8.899670429041453]
  スマートカーのマイクロレベルにおける意思決定と戦略的相互作用をモデル化するためのマルチエージェントベースの計算フレームワークを提案する。 本研究の目的は,自律走行車のためのマイクロパス計画など,様々な現実的なアプリケーションに対して,概念的に健全かつ実用的なフレームワークを提供することである。
  論文  参考訳（メタデータ） (2020-09-25T13:05:28Z)

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。