論文の概要: HyPlan: Hybrid Learning-Assisted Planning Under Uncertainty for Safe Autonomous Driving

• arxiv url: http://arxiv.org/abs/2510.07210v1
• Date: Wed, 08 Oct 2025 16:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.636925
• Title: HyPlan: Hybrid Learning-Assisted Planning Under Uncertainty for Safe Autonomous Driving
• Title（参考訳）: HyPlan: 安全な自動運転のための不確実性下でのハイブリッド学習支援計画
• Authors: Donald Pfaffmann, Matthias Klusch, Marcel Steinmetz,
• Abstract要約: 本稿では,自動運転車の衝突のないナビゲーション問題を解決するためのハイブリッド学習支援計画手法HyPlanを提案する。 歩行者による交通シナリオのCARLA-CTS2ベンチマークによる実験結果から,HyPlanは選択した基準線よりも安全であることが判明した。
• 参考スコア（独自算出の注目度）: 1.5599296461516978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel hybrid learning-assisted planning method, named HyPlan, for solving the collision-free navigation problem for self-driving cars in partially observable traffic environments. HyPlan combines methods for multi-agent behavior prediction, deep reinforcement learning with proximal policy optimization and approximated online POMDP planning with heuristic confidence-based vertical pruning to reduce its execution time without compromising safety of driving. Our experimental performance analysis on the CARLA-CTS2 benchmark of critical traffic scenarios with pedestrians revealed that HyPlan may navigate safer than selected relevant baselines and perform significantly faster than considered alternative online POMDP planners.
• Abstract（参考訳）: 本稿では,部分的に観測可能な交通環境下での自動運転車の衝突のないナビゲーション問題を解決するためのハイブリッド学習支援計画手法であるHyPlanを提案する。 HyPlanは、マルチエージェント行動予測、深層強化学習、近接ポリシー最適化、およびヒューリスティックな信頼に基づく垂直刈り込みによるオンラインPMDP計画とを組み合わせて、運転の安全性を損なうことなく実行時間を短縮する。 歩行者による重要な交通シナリオのCARLA-CTS2ベンチマークによる実験結果から,HyPlanは選択したベースラインよりも安全であり,代替のオンラインPOMDPプランナよりもはるかに高速であることがわかった。

関連論文リスト

• Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
  本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。 Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-05-23T09:22:19Z)
• Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
  本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。 我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。 シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
  論文  参考訳（メタデータ） (2024-09-04T16:54:31Z)
• Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving [0.0]
  我々は,POMDPにおける自動運転車の衝突のないナビゲーション問題を解決するためのハイブリッド学習手法であるHyLEARを提案する。 HyLEARは、中間学習を利用してハイブリッドプランナーの知識を深い強化学習者に埋め込んで、安全で快適な運転ポリシーを素早く決定する。 臨界交通シナリオのCARLA-CTS1ベンチマークによる実験結果から,HyLEARは安全・乗り心地において選択したベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-12-30T15:19:01Z)
• Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach [24.505687255063986]
  車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。 道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。 本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
  論文  参考訳（メタデータ） (2022-02-20T10:25:15Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• 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)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。