論文の概要: Monte-Carlo Tree Search with Neural Network Guidance for Lane-Free Autonomous Driving

• arxiv url: http://arxiv.org/abs/2601.09353v1
• Date: Wed, 14 Jan 2026 10:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.365743
• Title: Monte-Carlo Tree Search with Neural Network Guidance for Lane-Free Autonomous Driving
• Title（参考訳）: ニューラルネットワークによる車線自由走行のためのモンテカルロ木探索
• Authors: Ioannis Peridis, Dimitrios Troullinos, Georgios Chalkiadakis, Pantelis Giankoulidis, Ioannis Papamichail, Markos Papageorgiou,
• Abstract要約: 車線のない交通環境により、車両は車線維持に制限されることなく道路の側面の容量をよりよく活用することができる。 我々は、車線自由交通における単エージェント自動運転のためのモンテカルロ木探索(MCTS)計画手法を検討する。
• 参考スコア（独自算出の注目度）: 6.66256809285911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane-free traffic environments allow vehicles to better harness the lateral capacity of the road without being restricted to lane-keeping, thereby increasing the traffic flow rates. As such, we have a distinct and more challenging setting for autonomous driving. In this work, we consider a Monte-Carlo Tree Search (MCTS) planning approach for single-agent autonomous driving in lane-free traffic, where the associated Markov Decision Process we formulate is influenced from existing approaches tied to reinforcement learning frameworks. In addition, MCTS is equipped with a pre-trained neural network (NN) that guides the selection phase. This procedure incorporates the predictive capabilities of NNs for a more informed tree search process under computational constraints. In our experimental evaluation, we consider metrics that address both safety (through collision rates) and efficacy (through measured speed). Then, we examine: (a) the influence of isotropic state information for vehicles in a lane-free environment, resulting in nudging behaviour--vehicles' policy reacts due to the presence of faster tailing ones, (b) the acceleration of performance for the NN-guided variant of MCTS, and (c) the trade-off between computational resources and solution quality.
• Abstract（参考訳）: 車線のない交通環境により、車両は車線維持に制限されることなく道路の側面の容量をよりよく活用することができ、それによって交通流量が増加する。 そのため、自動運転車には、よりはっきりした、より困難な設定があります。 本研究では,モンテカルロ・ツリー・サーチ(MCTS)による車線自由交通における単エージェント自動運転の計画手法について考察する。 さらに、MCTSは、選択フェーズをガイドするトレーニング済みニューラルネットワーク(NN)を備えている。 この手法は,計算制約下でのより情報に富んだ木探索プロセスにおいて,NNの予測能力を取り入れたものである。 本実験では, 安全性(衝突速度)と有効性(速度測定)の両方に対処する指標について検討した。 次に、以下の点について検討する。 (a)車線自由環境における車両の異方性状態情報の影響により、ヌード行動-車両のポリシーはより高速な尾行状態の存在によって反応する。 b) NN誘導型MCTSの性能の加速、及び (c)計算資源とソリューション品質のトレードオフ。

関連論文リスト

• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• A Conflicts-free, Speed-lossless KAN-based Reinforcement Learning Decision System for Interactive Driving in Roundabouts [16.714573474722282]
  本稿では,様々な交通状況における安全かつ効率的な運転を促進する学習に基づくアルゴリズムを提案する。 KAN(Kolmogorov-Arnold Network)は、AVの環境理解を改善する。 実験結果から,提案システムは最先端の手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T16:10:25Z)
• Decentralized Semantic Traffic Control in AVs Using RL and DQN for Dynamic Roadblocks [9.485363025495225]
  車両自体にセマンティックエンコーディングの責務を委譲するセマンティックトラフィック制御システムを提案する。 このシステムは、強化学習(RL)エージェントから得られる意思決定を処理し、意思決定プロセスの合理化を行う。
  論文  参考訳（メタデータ） (2024-06-26T20:12:48Z)
• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
  本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。 我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
  論文  参考訳（メタデータ） (2023-03-29T16:12:45Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• An End-to-end Deep Reinforcement Learning Approach for the Long-term Short-term Planning on the Frenet Space [0.0]
  本稿では,自動運転車の意思決定と動作計画に向けた,エンドツーエンドの継続的強化学習手法を提案する。 初めて、Frenet空間上の状態と行動空間の両方を定義して、走行挙動を道路曲率に変化させないようにする。 このアルゴリズムは、フィードバックコントローラが追跡するFrenetフレーム上で連続時間軌道を生成する。
  論文  参考訳（メタデータ） (2020-11-26T02:40:07Z)
• Reinforcement Learning for Autonomous Driving with Latent State Inference and Spatial-Temporal Relationships [46.965260791099986]
  強化学習フレームワークにおける潜伏状態の明示的に推測と空間的時間的関係の符号化は,この課題に対処する上で有効であることを示す。 我々は、強化学習者と教師付き学習者を組み合わせた枠組みにより、他の運転者の潜伏状態に関する事前知識を符号化する。 提案手法は,最先端のベースラインアプローチと比較して,T区間のナビゲーションにおける性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-11-09T08:55:12Z)
• Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning [6.298084785377199]
  高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。 これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。 DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
  論文  参考訳（メタデータ） (2020-07-16T23:41:48Z)

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。