論文の概要: MPCFormer: A physics-informed data-driven approach for explainable socially-aware autonomous driving

• arxiv url: http://arxiv.org/abs/2512.03795v1
• Date: Wed, 03 Dec 2025 13:43:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:58:31.17712
• Title: MPCFormer: A physics-informed data-driven approach for explainable socially-aware autonomous driving
• Title（参考訳）: MPCFormer: 説明可能な社会的認識型自動運転のための物理情報駆動型アプローチ
• Authors: Jia Hu, Zhexi Lian, Xuerun Yan, Ruiang Bi, Dou Shen, Yu Ruan, Haoran Wang,
• Abstract要約: MPCFormerは、物理情報とデータ駆動型結合型ソーシャルインタラクションダイナミクスを備えた、社会的に認識可能な自律運転アプローチである。 MPCFormerは94.67%の最高計画成功率を達成し、運転効率を15.75%改善し、衝突速度を21.25%から0.5%に下げることを示した。
• 参考スコア（独自算出の注目度）: 7.41761409055788
• License:
• Abstract: Autonomous Driving (AD) vehicles still struggle to exhibit human-like behavior in highly dynamic and interactive traffic scenarios. The key challenge lies in AD's limited ability to interact with surrounding vehicles, largely due to a lack of understanding the underlying mechanisms of social interaction. To address this issue, we introduce MPCFormer, an explainable socially-aware autonomous driving approach with physics-informed and data-driven coupled social interaction dynamics. In this model, the dynamics are formulated into a discrete space-state representation, which embeds physics priors to enhance modeling explainability. The dynamics coefficients are learned from naturalistic driving data via a Transformer-based encoder-decoder architecture. To the best of our knowledge, MPCFormer is the first approach to explicitly model the dynamics of multi-vehicle social interactions. The learned social interaction dynamics enable the planner to generate manifold, human-like behaviors when interacting with surrounding traffic. By leveraging the MPC framework, the approach mitigates the potential safety risks typically associated with purely learning-based methods. Open-looped evaluation on NGSIM dataset demonstrates that MPCFormer achieves superior social interaction awareness, yielding the lowest trajectory prediction errors compared with other state-of-the-art approach. The prediction achieves an ADE as low as 0.86 m over a long prediction horizon of 5 seconds. Close-looped experiments in highly intense interaction scenarios, where consecutive lane changes are required to exit an off-ramp, further validate the effectiveness of MPCFormer. Results show that MPCFormer achieves the highest planning success rate of 94.67%, improves driving efficiency by 15.75%, and reduces the collision rate from 21.25% to 0.5%, outperforming a frontier Reinforcement Learning (RL) based planner.
• Abstract（参考訳）: 自律運転(AD)車両は、非常にダイナミックでインタラクティブな交通シナリオにおいて、人間のような振る舞いを示すのに依然として苦労している。 主な課題は、ADが周囲の車両と対話する能力に制限があることである。 この問題に対処するために、MPCFormerを紹介した。MPCFormerは、物理情報とデータ駆動型結合型ソーシャルインタラクションダイナミクスを用いた、社会的に認識可能な自律運転手法である。 このモデルでは、力学は離散的な空間状態表現に定式化され、モデリング説明可能性を高めるために物理学の先行を埋め込む。 動的係数は、Transformerベースのエンコーダ・デコーダアーキテクチャを用いて、自然な駆動データから学習される。 我々の知る限りでは、MPCFormerは、マルチ車両の社会的相互作用のダイナミクスを明示的にモデル化する最初のアプローチである。 学習された社会的相互作用のダイナミクスにより、プランナーは周囲の交通と相互作用するときに、多様体のような振る舞いを生成できる。 MPCフレームワークを活用することで、このアプローチは、純粋に学習ベースの手法に関連する潜在的な安全性リスクを軽減する。 NGSIMデータセットのオープンループ評価により、MPCFormerは、他の最先端アプローチと比較して、最も低い軌道予測誤差をもたらす、優れた社会的相互作用認識を実現することが示された。 予測は5秒の長い予測地平線で0.86mのADEを達成する。 MPCFormerの有効性をさらに検証するために、オフランプから抜け出すために連続する車線変更が必要となる、非常に激しい相互作用シナリオにおけるクローズループ実験を行う。 その結果、MPCFormerは94.67%の最高計画成功率を達成し、運転効率を15.75%改善し、衝突速度を21.25%から0.5%に下げ、フロンティア強化学習(RL)ベースのプランナーを上回った。

関連論文リスト

• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• Self-Supervised Learning-Based Multimodal Prediction on Prosocial Behavior Intentions [6.782784535456252]
  社会的行動のための大きなラベル付きデータセットは存在しない。 小規模なデータセットは、ディープラーニングモデルを効果的にトレーニングすることを困難にします。 マルチモーダルデータを利用した自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-11T00:49:46Z)
• Towards Human-Like Trajectory Prediction for Autonomous Driving: A Behavior-Centric Approach [22.81464823797471]
  HiT(Human-like Trajectory Prediction, Human-like Trajectory Prediction)は、行動認識モジュールと動的集中度を組み込むことで、軌道予測を強化するために設計された新しいモデルである。 HiTの性能を評価するために,多種多様な実世界のデータセットを用いて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-27T05:04:01Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
  RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。 複雑な動的トラフィックシナリオを処理できる。 CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
  群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。 従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。 人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
  論文  参考訳（メタデータ） (2023-11-26T05:17:11Z)
• SFMGNet: A Physics-based Neural Network To Predict Pedestrian Trajectories [2.862893981836593]
  本稿では,歩行者の軌跡を予測する物理に基づくニューラルネットワークを提案する。 我々は、現実的な予測、予測性能、および「解釈可能性」に関するモデルを定量的に質的に評価する。 最初の結果は、合成データセットでのみ訓練されたモデルであっても、最先端の精度よりも現実的で解釈可能な軌道を予測できることを示唆している。
  論文  参考訳（メタデータ） (2022-02-06T14:58:09Z)

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。