Fugu-MT 論文翻訳(概要): Cooperative Autonomous Driving in Diverse Behavioral Traffic: A Heterogeneous Graph Reinforcement Learning Approach

論文の概要: Cooperative Autonomous Driving in Diverse Behavioral Traffic: A Heterogeneous Graph Reinforcement Learning Approach

arxiv url: http://arxiv.org/abs/2509.25751v1
Date: Tue, 30 Sep 2025 04:12:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 14:45:00.01213
Title: Cooperative Autonomous Driving in Diverse Behavioral Traffic: A Heterogeneous Graph Reinforcement Learning Approach
Title（参考訳）: 異行動交通における協調的自律運転:不均一グラフ強化学習アプローチ
Authors: Qi Liu, Xueyuan Li, Zirui Li, Juhui Gim,
Abstract要約: 多様な運転スタイルで異種交通環境をナビゲートすることは、自動運転車にとって大きな課題となる。本稿では、自動運転車の意思決定性能を向上させるためのエキスパートシステムにより強化された異種グラフ強化学習フレームワークを提案する。
参考スコア（独自算出の注目度）: 11.908271732607295
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Navigating heterogeneous traffic environments with diverse driving styles poses a significant challenge for autonomous vehicles (AVs) due to their inherent complexity and dynamic interactions. This paper addresses this challenge by proposing a heterogeneous graph reinforcement learning (GRL) framework enhanced with an expert system to improve AV decision-making performance. Initially, a heterogeneous graph representation is introduced to capture the intricate interactions among vehicles. Then, a heterogeneous graph neural network with an expert model (HGNN-EM) is proposed to effectively encode diverse vehicle features and produce driving instructions informed by domain-specific knowledge. Moreover, the double deep Q-learning (DDQN) algorithm is utilized to train the decision-making model. A case study on a typical four-way intersection, involving various driving styles of human vehicles (HVs), demonstrates that the proposed method has superior performance over several baselines regarding safety, efficiency, stability, and convergence rate, all while maintaining favorable real-time performance.
Abstract（参考訳）: 多様な運転スタイルで異種交通環境をナビゲートすることは、その固有の複雑さと動的相互作用のために、自動運転車(AV)にとって大きな課題となる。本稿では,AV意思決定性能を向上させるためのエキスパートシステムにより強化されたヘテロジニアスグラフ強化学習(GRL)フレームワークを提案する。当初、車両間の複雑な相互作用を捉えるために異種グラフ表現が導入された。そこで,専門家モデル(HGNN-EM)を用いたヘテロジニアスグラフニューラルネットワークを提案し,多様な車両特徴を効果的に符号化し,ドメイン固有の知識によって駆動指示を生成する。さらに、Double Deep Q-learning (DDQN)アルゴリズムを用いて意思決定モデルをトレーニングする。提案手法は, 安全性, 効率, 安定性, 収束率に関して, 各種の車種(HV)の運転スタイルを取り入れた典型的な4方向交差点のケーススタディにおいて, 良好な実時間性能を維持しつつ, 安全性, 効率, 安定性, 収束率に関するいくつかの基準よりも優れた性能を有することを示した。

関連論文リスト

Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文参考訳（メタデータ） (2025-09-24T13:35:15Z)
ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文参考訳（メタデータ） (2025-06-09T03:14:04Z)
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)
Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
論文参考訳（メタデータ） (2025-04-08T15:21:01Z)
HAD-Gen: Human-like and Diverse Driving Behavior Modeling for Controllable Scenario Generation [13.299893784290733]
HAD-Genは、多様な人間のような運転行動をシミュレートする現実的な交通シナリオ生成のためのフレームワークである。提案手法は, 目標達成率90.96%, オフロードレート2.08%, 衝突速度6.91%を達成する。
論文参考訳（メタデータ） (2025-03-19T09:38:45Z)
Automatic Vehicle Detection using DETR: A Transformer-Based Approach for Navigating Treacherous Roads [1.2187048691454239]
本研究では,複雑かつ多様な環境下での自動車両検出のための検出変換器(DETR)を初めて実験した。我々は,コラボレーティブ・ハイブリッド・アサインメント・トレーニング・スキームであるCo-DETRを用いて,DeTRの特徴学習と注意機構を強化する。提案手法は,より優れた結果を得るとともに,多様な条件下での精度の向上を実現し,実世界の展開に有効である。
論文参考訳（メタデータ） (2025-02-25T04:43:28Z)
Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
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)
Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。最小限の手動設計で高性能な制御戦略を発見する。この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文参考訳（メタデータ） (2022-07-30T16:23:45Z)
Graph Convolution-Based Deep Reinforcement Learning for Multi-Agent Decision-Making in Mixed Traffic Environments [12.34509371288594]
本研究は,さまざまなグラフ強化学習(GRL)手法による意思決定を実現するためのフレームワークを提案する。いくつかのGRLアプローチを要約し、提案したフレームワークで実装する。結果は、インテリジェント輸送シナリオにおけるGRLアプローチの特徴を比較するために、複数の視点と次元で分析される。
論文参考訳（メタデータ） (2022-01-30T10:09:43Z)
Behaviorally Diverse Traffic Simulation via Reinforcement Learning [16.99423598448411]
本稿では,自律運転エージェントのための簡易なポリシー生成アルゴリズムを提案する。提案アルゴリズムは,深層強化学習の表現能力と探索能力を活用することで,多様性と運転能力のバランスをとる。本手法の有効性を,いくつかの挑戦的な交差点シーンにおいて実験的に示す。
論文参考訳（メタデータ） (2020-11-11T12:49:11Z)

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。