論文の概要: Learning to Car-Follow Using an Inertia-Oriented Driving Technique: A Before-and-After Study on a Closed Circuit

• arxiv url: http://arxiv.org/abs/2512.13694v1
• Date: Sat, 01 Nov 2025 14:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.441973
• Title: Learning to Car-Follow Using an Inertia-Oriented Driving Technique: A Before-and-After Study on a Closed Circuit
• Title（参考訳）: 慣性指向駆動技術を用いた自動車追従学習:閉回路の前・後研究
• Authors: Kostantinos Mattas, Antonio Lucas-Alba, Tomer Toledo, Oscar M. Melchor, Shlomo Bekhor, Biagio Ciuffo,
• Abstract要約: 従来の研究は、走行距離が交通不変量であるかどうかを疑問視していた。 本研究は,実回路におけるDI戦略の適用可能性を示す最初のものである。
• 参考スコア（独自算出の注目度）: 2.6679060135272716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For decades, car following and traffic flow models have assumed that drivers default driving strategy is to maintain a safe distance. Several previous studies have questioned whether the Driving to Keep Distance is a traffic invariant. Therefore, the acceleration deceleration torque asymmetry of drivers must necessarily determine the observed patterns of traffic oscillations. Those studies indicate that drivers can adopt alternative CF strategies, such as Driving to Keep Inertia, by following basic instructions. The present work extends the evidence from previous research by showing the effectiveness of a DI course that immediately translates into practice on a closed circuit. Twelve drivers were invited to follow a lead car that varied its speed on a real circuit. Then, the driver took a DI course and returned to the same real car following scenario. Drivers generally adopted DD as the default CF mode in the pretest, both in field and simulated PC conditions, yielding very similar results. After taking the full DI course, drivers showed significantly less acceleration, deceleration, and speed variability than did the pretest, both in the field and in the simulated conditions, which indicates that drivers adopted the DI strategy. This study is the first to show the potential of adopting a DI strategy in a real circuit.
• Abstract（参考訳）: 何十年もの間、自動車の追従と交通の流れのモデルは、ドライバーのデフォルトの運転戦略は安全な距離を維持することであると仮定してきた。 先行研究では、走行距離が交通不変量であるかどうかを疑問視している。 したがって、運転者の加速度減速トルク非対称性は、必ずしも交通振動の観測パターンを決定する必要がある。 これらの研究は、ドライバーが基本的な指示に従うことで、慣性を維持するためのドライビングのような代替のCF戦略を採用することができることを示している。 本研究は, 閉回路上で即時に実施されるDIコースの有効性を示すことによって, 従来の研究から証拠を拡大する。 12人のドライバーが、実際のサーキットで速度を変えるリードカーに従うように招待された。 その後、ドライバーはDIコースを受講し、シナリオに従って同じ実車に戻った。 ドライバは一般に、フィールドとシミュレートされたPC条件の両方において、プリテストでデフォルトのCFモードとしてDDを採用し、非常によく似た結果を得た。 完全なDIコースを受講した後、運転者は、フィールドとシミュレーション条件の両方において、前例よりも加速、減速、速度の変動が有意に少なく、これはドライバーがDI戦略を採用したことを示している。 本研究は,実回路におけるDI戦略の適用可能性を示す最初のものである。

関連論文リスト

• Vision based driving agent for race car simulation environments [0.0]
  本稿では, レーストラック上での時間最適運転の課題を, 深層強化学習問題として定式化した。 その結果,最大タイヤグリップ電位を利用した人間的な学習と運転行動が示された。
  論文  参考訳（メタデータ） (2025-04-14T14:29:37Z)
• 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)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• AI-Based Framework for Understanding Car Following Behaviors of Drivers in A Naturalistic Driving Environment [6.445605125467574]
  後続の事故はしばしば致命的なものである。 後部事故の原因となる車両の挙動を正確にモデル化する必要がある。 本研究では,自然環境における運転行動の理解に関連する特徴を抽出する人工知能フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-01-23T08:24:33Z)
• Reinforcement Learning for Predicting Traffic Accidents [2.255666468574186]
  本稿では,この事故予測プラットフォームにおいて,二重アクターと正規化批評家(DARC)手法を初めて活用することを提案する。 DARCからインスピレーションを得たのは、現在、事故予知に適した連続行動空間における最先端の強化学習(RL)モデルであるためである。 その結果,DARCを有効活用することにより,従来の手法に比べて精度の指標を多数改善しながら,平均で5%早く予測できることがわかった。
  論文  参考訳（メタデータ） (2022-12-09T05:53:30Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
  道路事故は世界8大死因である。 様々な要因がドライバーの疲労の原因となっている。 ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
  論文  参考訳（メタデータ） (2022-08-31T08:42:28Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Deep Learning Approach for Aggressive Driving Behaviour Detection [1.933681537640272]
  この研究は、異なる状況(ラッシュ、精神的衝突、報復)のドライバーが攻撃的に運転し始めるときのタイムステップを特定する。 積極的運転の機会を発見するためには、運転行動を調べるために観察者(現実または仮想)が必要である。 スマートフォンのGPSセンサーを使って位置を検出し,運転者の運転行動を3分毎に分類することで,この問題を克服する。
  論文  参考訳（メタデータ） (2021-11-08T20:06:16Z)
• Inverse Reinforcement Learning Based Stochastic Driver Behavior Learning [3.4979173592795374]
  ドライバーは、交通の中で車両を操作する際に、ユニークでリッチな運転行動を持つ。 本稿では,現実的な運転シナリオにおける人間の運転行動の独特性と豊かさを捉えた,新しい運転行動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-01T20:18:03Z)

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。