論文の概要: TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic
- arxiv url: http://arxiv.org/abs/2507.10075v1
- Date: Mon, 14 Jul 2025 09:01:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:24.572749
- Title: TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic
- Title（参考訳）: TGLD:不均質交通における自動走行車のための信頼を意識したゲーム理論レーン交換決定フレームワーク
- Authors: Jie Pan, Tianyi Wang, Yangyang Wang, Junfeng Jiao, Christian Claudel,
- Abstract要約: 本研究は,TGLD(Trust-aware game-theoretic lane-changing decision framework)を提案する。
まず,AV間の完全協調的な相互作用と,リアルタイム信頼評価から得られるHVからの部分的に協調的な挙動を取り入れた多車連立ゲームを定式化する。
第2に,車線変更時のHVの信頼度を動的に推定するオンライン信頼度評価手法を開発し,コンテキストに適した協調操作を選択するためのAVを誘導する。
第3に、周囲の車両への混乱を最小限に抑え、AV行動の予測可能性を高めることにより、社会的適合性を考慮した。
- 参考スコア（独自算出の注目度）: 6.838130893718755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated vehicles (AVs) face a critical need to adopt socially compatible behaviors and cooperate effectively with human-driven vehicles (HVs) in heterogeneous traffic environment. However, most existing lane-changing frameworks overlook HVs' dynamic trust levels, limiting their ability to accurately predict human driver behaviors. To address this gap, this study proposes a trust-aware game-theoretic lane-changing decision (TGLD) framework. First, we formulate a multi-vehicle coalition game, incorporating fully cooperative interactions among AVs and partially cooperative behaviors from HVs informed by real-time trust evaluations. Second, we develop an online trust evaluation method to dynamically estimate HVs' trust levels during lane-changing interactions, guiding AVs to select context-appropriate cooperative maneuvers. Lastly, social compatibility objectives are considered by minimizing disruption to surrounding vehicles and enhancing the predictability of AV behaviors, thereby ensuring human-friendly and context-adaptive lane-changing strategies. A human-in-the-loop experiment conducted in a highway on-ramp merging scenario validates our TGLD approach. Results show that AVs can effectively adjust strategies according to different HVs' trust levels and driving styles. Moreover, incorporating a trust mechanism significantly improves lane-changing efficiency, maintains safety, and contributes to transparent and adaptive AV-HV interactions.
- Abstract（参考訳）: 自動走行車(AV)は、社会的に互換性のある行動を採用し、異種交通環境において人間駆動車(HV)と効果的に協力する必要性に直面する。
しかし、既存の車線変更フレームワークのほとんどは、HVの動的信頼レベルを見落とし、人間の運転行動を正確に予測する能力を制限する。
そこで本研究では,TGLD(Trust-aware game-theoretic lane-changing decision)フレームワークを提案する。
まず,AV間の完全協調的な相互作用と,リアルタイム信頼評価から得られるHVからの部分的に協調的な挙動を取り入れた多車連立ゲームを定式化する。
第2に,車線変更時のHVの信頼度を動的に推定するオンライン信頼度評価手法を開発し,コンテキストに適した協調操作を選択するためのAVを誘導する。
最後に、周囲の車両に対する混乱を最小限に抑え、AV行動の予測可能性を高めることにより、人間に親しみやすい、文脈に適応した車線変更戦略を確実にすることで、社会的適合性を考慮する。
ハイウェイのオンランプマージシナリオで実施した人力によるループ実験は、我々のTGLDアプローチを検証する。
その結果、AVは異なるHVの信頼度や運転スタイルに応じて戦略を効果的に調整できることがわかった。
さらに、信頼機構の導入は車線変更効率を著しく向上させ、安全性を維持し、透明で適応的なAV-HV相互作用に寄与する。
関連論文リスト
- Trust-MARL: Trust-Based Multi-Agent Reinforcement Learning Framework for Cooperative On-Ramp Merging Control in Heterogeneous Traffic Flow [8.452082837356162]
本研究では,信頼に基づくマルチエージェント強化学習(Trust-MARL)フレームワークを提案する。
Trust-MARLは、エージェント間信頼を利用して、ボトルネックスループットを改善し、トラフィック衝撃波を軽減することで、グローバルなトラフィック効率を向上させる。
広範囲にわたるアブレーション研究と比較実験は、提案したTrust-MARLアプローチの有効性を検証する。
論文 参考訳（メタデータ） (2025-06-14T18:35:10Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions [7.735477839355801]
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。
論文 参考訳（メタデータ） (2025-04-28T17:24:04Z) - 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) - Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - Hybrid-Generative Diffusion Models for Attack-Oriented Twin Migration in Vehicular Metaverses [58.264499654343226]
Vehicle Twins (VTs) は、Vehicular Metaverse Users (VMUs) 向けに没入型仮想サービスを提供するデジタルツインである。
車両の高モビリティ、エッジサーバの不均一なデプロイ、潜在的なセキュリティ脅威は、効率的で信頼性の高いVTマイグレーションを実現する上での課題である。
車両メタバースにおけるセキュアで信頼性の高いVTマイグレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-05T11:11:33Z) - 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) - 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) - 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)
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。