論文の概要: Biased-Attention Guided Risk Prediction for Safe Decision-Making at Unsignalized Intersections

• arxiv url: http://arxiv.org/abs/2510.12428v1
• Date: Tue, 14 Oct 2025 12:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.306528
• Title: Biased-Attention Guided Risk Prediction for Safe Decision-Making at Unsignalized Intersections
• Title（参考訳）: 不特定区間における安全意思決定のためのバイアスアテンション誘導型リスク予測
• Authors: Chengyang Dong, Nan Guo,
• Abstract要約: 本稿では, バイアスアテンション機構と統合された深層強化学習(DRL)意思決定フレームワークを提案する。 このフレームワークはSoft Actor-Critic (SAC)アルゴリズムに基づいている。 提案手法は交差点における交通効率と車両の安全性の両方を効果的に向上させる。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving decision-making at unsignalized intersections is highly challenging due to complex dynamic interactions and high conflict risks. To achieve proactive safety control, this paper proposes a deep reinforcement learning (DRL) decision-making framework integrated with a biased attention mechanism. The framework is built upon the Soft Actor-Critic (SAC) algorithm. Its core innovation lies in the use of biased attention to construct a traffic risk predictor. This predictor assesses the long-term risk of collision for a vehicle entering the intersection and transforms this risk into a dense reward signal to guide the SAC agent in making safe and efficient driving decisions. Finally, the simulation results demonstrate that the proposed method effectively improves both traffic efficiency and vehicle safety at the intersection, thereby proving the effectiveness of the intelligent decision-making framework in complex scenarios. The code of our work is available at https://github.com/hank111525/SAC-RWB.
• Abstract（参考訳）: 信号のない交差点での自律運転意思決定は、複雑な動的相互作用と高い衝突リスクのために非常に困難である。 アクティブな安全制御を実現するために, バイアスアテンション機構と統合された深層強化学習(DRL)意思決定フレームワークを提案する。 このフレームワークはSoft Actor-Critic (SAC)アルゴリズムに基づいている。 その中核となる革新は、交通リスク予測器を構築するために偏見のある注意力を使うことにある。 この予測器は、交差点に入る車両の衝突の長期リスクを評価し、このリスクを高密度の報酬信号に変換して、安全かつ効率的な運転決定を行うSACエージェントを誘導する。 シミュレーションの結果,提案手法は交差点における交通効率と車両の安全性の両方を効果的に向上し,複雑なシナリオにおけるインテリジェントな意思決定フレームワークの有効性が証明された。 私たちの作業のコードはhttps://github.com/hank111525/SAC-RWB.comで公開されています。

関連論文リスト

• Autonomous Vehicle Decision-Making Framework for Considering Malicious Behavior at Unsignalized Intersections [7.245712580297489]
  自動運転車では、報酬信号は安全や効率などのフィードバック要因に関する通常の報酬として設定される。 本稿では,緊急時の安全性を高めるために,可変重み付けパラメータによって安全ゲインを変調する。 この決定フレームワークは、無人の交差点で潜在的に悪意のある振る舞いをする車両に遭遇する際に、自律走行車両が情報的決定を行うことを可能にする。
  論文  参考訳（メタデータ） (2024-09-11T03:57:44Z)
• 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)
• 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)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Decision-Making under On-Ramp merge Scenarios by Distributional Soft Actor-Critic Algorithm [10.258474373022075]
  SDSAC(Shield Distributional Soft Actor-critic)と呼ばれるオフライントレーニングとオンライン修正の枠組みに基づくRLベースのエンドツーエンド意思決定方法を提案する。 その結果,SDSACはベースラインアルゴリズムよりも安全性が高く,運転効率も高いことがわかった。
  論文  参考訳（メタデータ） (2021-03-08T03:57:32Z)
• Addressing Inherent Uncertainty: Risk-Sensitive Behavior Generation for Automated Driving using Distributional Reinforcement Learning [0.0]
  自動運転車におけるリスク感応行動生成のための2段階のアプローチを提案する。 まず, 深層分布強化学習を用いて, 不確実な環境下で最適政策を学習する。 実行中は、確立されたリスク基準を適用して最適なリスク感受性行動を選択する。
  論文  参考訳（メタデータ） (2021-02-05T11:45:12Z)
• Risk-Constrained Interactive Safety under Behavior Uncertainty for Autonomous Driving [0.0]
  許可された計画領域を制限する安全封筒は、行動の不確実性の存在下で解釈可能な安全性をもたらす。 人間は、安全封筒に違反する確率的リスクを受け入れることによって、密集した交通における安全と効率のバランスをとる。
  論文  参考訳（メタデータ） (2021-02-05T08:33:39Z)
• Risk-Aware High-level Decisions for Automated Driving at Occluded Intersections with Reinforcement Learning [16.69903761648675]
  信号のない交差点を走行するための高レベル動作を学習するための一般的なリスク認識型DQNアプローチを提案する。 提案された状態表現は、マルチレーンシナリオで使用できるレーンベースの情報を提供する。 また,衝突事故だけでなく,危険事態を罰するリスクベース報酬関数を提案する。
  論文  参考訳（メタデータ） (2020-04-09T09:44:41Z)

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。