論文の概要: An Uncertainty-Weighted Decision Transformer for Navigation in Dense, Complex Driving Scenarios

• arxiv url: http://arxiv.org/abs/2509.13132v1
• Date: Tue, 16 Sep 2025 14:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.129175
• Title: An Uncertainty-Weighted Decision Transformer for Navigation in Dense, Complex Driving Scenarios
• Title（参考訳）: 複雑な運転シナリオにおけるナビゲーションのための不確かさ重み決定変換器
• Authors: Zhihao Zhang, Chengyang Peng, Minghao Zhu, Ekim Yurtsever, Keith A. Redmill,
• Abstract要約: 本研究は,多チャンネル鳥眼ビュー占有格子とトランスフォーマーに基づくシーケンスモデリングを統合した新しいフレームワークを提案する。 頻繁な低リスク状態と稀な安全クリティカルな決定の不均衡に対処する不確実性重み決定変換器(UWDT)を提案する。
• 参考スコア（独自算出の注目度）: 6.059385717057299
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving in dense, dynamic environments requires decision-making systems that can exploit both spatial structure and long-horizon temporal dependencies while remaining robust to uncertainty. This work presents a novel framework that integrates multi-channel bird's-eye-view occupancy grids with transformer-based sequence modeling for tactical driving in complex roundabout scenarios. To address the imbalance between frequent low-risk states and rare safety-critical decisions, we propose the Uncertainty-Weighted Decision Transformer (UWDT). UWDT employs a frozen teacher transformer to estimate per-token predictive entropy, which is then used as a weight in the student model's loss function. This mechanism amplifies learning from uncertain, high-impact states while maintaining stability across common low-risk transitions. Experiments in a roundabout simulator, across varying traffic densities, show that UWDT consistently outperforms other baselines in terms of reward, collision rate, and behavioral stability. The results demonstrate that uncertainty-aware, spatial-temporal transformers can deliver safer and more efficient decision-making for autonomous driving in complex traffic environments.
• Abstract（参考訳）: 密集した動的環境における自律運転は、不確実性を維持しながら、空間構造と長期の時間的依存の両方を活用できる意思決定システムを必要とする。 本研究は,多チャンネル鳥眼ビュー占有格子と変圧器を用いた複雑なラウンドアバウンドシナリオにおける戦術駆動のシーケンスモデリングを統合した新しいフレームワークを提案する。 頻繁な低リスク状態と稀な安全クリティカルな決定の不均衡を解決するために,不確実性重み決定変換器(UWDT)を提案する。 UWDTは凍結教師変換器を用いて、学生モデルの損失関数の重みとして使用される、トーケン毎の予測エントロピーを推定する。 このメカニズムは、一般的な低リスク遷移の安定性を維持しながら、不確実で高インパクトな状態からの学習を増幅する。 様々な交通密度にまたがるラウンドアバウンドシミュレータの実験では、UWDTは報酬、衝突速度、行動安定性の点で、他のベースラインよりも一貫して優れていた。 その結果, 不確実性を考慮した時空間変圧器は, 複雑な交通環境下での自律運転において, より安全かつ効率的な意思決定を可能にすることを示した。

関連論文リスト

• CaSTFormer: Causal Spatio-Temporal Transformer for Driving Intention Prediction [4.654440732844896]
  CaSTFormerは、ドライバーの行動と環境コンテキストの間の因果関係をモデル化し、堅牢な意図予測を行うトランスフォーマーである。 複雑な因果的依存関係を効果的に捉え、運転意図予測の正確性と透明性を高める。
  論文  参考訳（メタデータ） (2025-07-17T17:10:37Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• 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)
• Safety-aware Causal Representation for Trustworthy Offline Reinforcement Learning in Autonomous Driving [33.672722472758636]
  オフライン強化学習(RL)アプローチは、オフラインデータセットからのシーケンシャルな意思決定問題に対処する上で、顕著な効果を示す。 一般化可能なエンドツーエンド駆動ポリシの学習を容易にするために,saFety-aware strUctured Scenario representation (Fusion)を導入した。 様々な運転シナリオにおける実証的な証拠は、フュージョンが自律運転エージェントの安全性と一般化性を著しく向上させることを証明している。
  論文  参考訳（メタデータ） (2023-10-31T18:21:24Z)
• Uncertainty-Aware Decision Transformer for Stochastic Driving Environments [34.78461208843929]
  環境の運転計画のためのuncertainty-awaRESion Transformer(UNREST)を導入する。 UNRESTは、遷移と返却の間の条件付き相互情報によって不確実性を推定する。 我々は、意思決定変換器のグローバルなリターンを、実際の結果から学ぶ環境の影響を受けない、切り捨てられたリターンに置き換える。
  論文  参考訳（メタデータ） (2023-09-28T12:44:51Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)

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。