論文の概要: Situation-Aware Interactive MPC Switching for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2512.06182v1
• Date: Fri, 05 Dec 2025 22:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.16099
• Title: Situation-Aware Interactive MPC Switching for Autonomous Driving
• Title（参考訳）: 自律運転のための状況対応型インタラクティブMPCスイッチング
• Authors: Shuhao Qi, Qiling Aori, Luyao Zhang, Mircea Lazar, Sofie Haesaert,
• Abstract要約: 我々は,対話能力の異なるコントローラ間の状況認識スイッチを可能にするニューラルネットワークベースの分類器を開発した。 我々は,この状況に配慮したスイッチングが,まれながら重要な状況において,最も先進的な対話型MPCを活性化することにより,全体的な性能を著しく向上させることができることを実証した。
• 参考スコア（独自算出の注目度）: 2.3041400318368352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To enable autonomous driving in interactive traffic scenarios, various model predictive control (MPC) formulations have been proposed, each employing different interaction models. While higher-fidelity models enable more intelligent behavior, they incur increased computational cost. Since strong interactions are relatively infrequent in traffic, a practical strategy for balancing performance and computational overhead is to invoke an appropriate controller based on situational demands. To achieve this approach, we first conduct a comparative study to assess and hierarchize the interactive capabilities of different MPC formulations. Furthermore, we develop a neural network-based classifier to enable situation-aware switching among controllers with different levels of interactive capability. We demonstrate that this situation-aware switching can both substantially improve overall performance by activating the most advanced interactive MPC in rare but critical situations, and significantly reduce computational load by using a basic MPC in the majority of scenarios.
• Abstract（参考訳）: 対話型交通シナリオにおける自律運転を実現するため,様々なモデル予測制御(MPC)の定式化が提案されている。 高忠実度モデルはよりインテリジェントな振る舞いを可能にするが、計算コストが増大する。 強い相互作用はトラフィックが比較的少ないため、性能と計算オーバーヘッドのバランスをとるための実践的な戦略は、状況に応じて適切なコントローラを呼び出すことである。 このアプローチを実現するために、我々はまず、異なるMPC定式化の対話能力を評価・階層化する比較研究を行う。 さらに、異なるレベルの対話能力を持つコントローラ間の状況認識スイッチを可能にするニューラルネットワークベースの分類器を開発する。 この状況に配慮したスイッチングは、稀だが重要な状況において最も先進的な対話型MPCを活性化することにより、全体的な性能を大幅に向上させることと、ほとんどのシナリオで基本的なMPCを使用することで計算負荷を大幅に削減できることを実証する。

関連論文リスト

• Fine-Tuning of Neural Network Approximate MPC without Retraining via Bayesian Optimization [81.35990332700389]
  近似モデル予測制御(AMPC)は、MPCの動作をニューラルネットワークで模倣することを目的としている。 デプロイメント中、基盤となるMPCのパラメータは通常、微調整されなければならない。 最近の研究は、MPC最適化問題の近似感度を用いてAMPCを調整することなく適用することでこの問題に対処している。
  論文  参考訳（メタデータ） (2025-12-16T12:24:08Z)
• BIDA: A Bi-level Interaction Decision-making Algorithm for Autonomous Vehicles in Dynamic Traffic Scenarios [5.193590097161461]
  対話型モンテカルロ木探索(MCTS)と深部強化学習(DRL)を統合した双方向インタラクション意思決定アルゴリズム(BIDA)を設計する。 具体的には、3種類のDRLアルゴリズムを用いて、インタラクティブMCTSのオンライン推論プロセスをガイドする信頼性の高い価値ネットワークとポリシーネットワークを構築する。 実験により, BIDAは対話型推論を向上し, 計算コストを低減させるだけでなく, 最新のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T19:03:40Z)
• Enabling Real-Time Conversations with Minimal Training Costs [61.80370154101649]
  本稿では,2つの言語モデルに対して,最小限の訓練を要し,2つの言語能力を持つ新しい重複復号法を提案する。 実験結果から,本手法はトレーニングコストの最小化とともに,ユーザとAIのインタラクションの自然性と人間的類似性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-09-18T06:27:26Z)
• Learning to Model Diverse Driving Behaviors in Highly Interactive Autonomous Driving Scenarios with Multi-Agent Reinforcement Learning [0.751422531359304]
  MARL(Multi-Agent Reinforcement Learning)は多くの運転シナリオにおいて印象的な結果を示している。 しかし、これらの訓練された政策のパフォーマンスは、様々な運転スタイルや個性に直面した場合に影響を及ぼす可能性がある。 本稿では、協調価値関数とパーソナリティパラメータを含むPersonality Modeling Network(PeMN)を紹介する。
  論文  参考訳（メタデータ） (2024-02-21T02:44:33Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• MACP: Efficient Model Adaptation for Cooperative Perception [23.308578463976804]
  協調機能を備えた単エージェント事前学習モデルを備えたMACPという新しいフレームワークを提案する。 提案手法は,協調観測を効果的に活用し,他の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-25T14:24:42Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)

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。