論文の概要: Aligning Microscopic Vehicle and Macroscopic Traffic Statistics: Reconstructing Driving Behavior from Partial Data

• arxiv url: http://arxiv.org/abs/2601.22242v1
• Date: Thu, 29 Jan 2026 19:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.01701
• Title: Aligning Microscopic Vehicle and Macroscopic Traffic Statistics: Reconstructing Driving Behavior from Partial Data
• Title（参考訳）: 微視的車両とマクロ的交通統計の整合性:部分データによる運転行動の再構築
• Authors: Zhihao Zhang, Keith Redmill, Chengyang Peng, Bowen Weng,
• Abstract要約: 安全で効率的な自動運転車を開発するためには、優れた人間の運転プラクティスと整合する運転アルゴリズムが不可欠だ。 マクロな観察から観測されていない顕微鏡状態を再構築する枠組みを提案する。 このような制約のある規則化されたポリシーは、現実的なフローパターンを促進し、大規模な人間ドライバーとの安全な調整を促進する。
• 参考スコア（独自算出の注目度）: 7.08899147514651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A driving algorithm that aligns with good human driving practices, or at the very least collaborates effectively with human drivers, is crucial for developing safe and efficient autonomous vehicles. In practice, two main approaches are commonly adopted: (i) supervised or imitation learning, which requires comprehensive naturalistic driving data capturing all states that influence a vehicle's decisions and corresponding actions, and (ii) reinforcement learning (RL), where the simulated driving environment either matches or is intentionally more challenging than real-world conditions. Both methods depend on high-quality observations of real-world driving behavior, which are often difficult and costly to obtain. State-of-the-art sensors on individual vehicles can gather microscopic data, but they lack context about the surrounding conditions. Conversely, roadside sensors can capture traffic flow and other macroscopic characteristics, but they cannot associate this information with individual vehicles on a microscopic level. Motivated by this complementarity, we propose a framework that reconstructs unobserved microscopic states from macroscopic observations, using microscopic data to anchor observed vehicle behaviors, and learns a shared policy whose behavior is microscopically consistent with the partially observed trajectories and actions and macroscopically aligned with target traffic statistics when deployed population-wide. Such constrained and regularized policies promote realistic flow patterns and safe coordination with human drivers at scale.
• Abstract（参考訳）: 安全で効率的な自動運転車を開発するためには、優れた人間の運転慣行、少なくとも人間ドライバーと効果的に協力する運転アルゴリズムが不可欠だ。 実際には、主に2つのアプローチが採用されている。 一 車両の判断及び対応行動に影響を与える全ての状態を捉えた総合自然主義的運転データを必要とする指導的又は模倣学習 (II) 実環境よりもシミュレーション運転環境が適合するか、意図的に困難である強化学習(RL)。 どちらの手法も実世界の運転行動の高品質な観察に依存しており、しばしば入手が困難でコストがかかる。 個々の車両の最先端センサーは顕微鏡データを集めることができるが、周囲の状況に関するコンテキストは欠如している。 逆に、道路脇のセンサーは交通の流れやその他のマクロな特徴を捉えることができるが、この情報は顕微鏡レベルで個々の車両と関連付けることはできない。 この相補性により,顕微鏡観測から観測されていない微視的状態を再構築し,観察された車両の挙動を抑えるための微視的データを用いて,部分的に観察された軌跡や行動と微視的に整合し,人口全体に展開する際の目標交通統計とマクロ的に整合した共有政策を学習する枠組みを提案する。 このような制約のある規則化されたポリシーは、現実的なフローパターンを促進し、大規模な人間ドライバーとの安全な調整を促進する。

関連論文リスト

• Learning to Drive by Imitating Surrounding Vehicles [0.8902959815221526]
  本研究では、周辺車両の観測軌道を利用したデータ拡張戦略を実証実験として検討する。 本稿では,情報的かつ多様な運転行動を優先する簡易な車両選択サンプリングとフィルタリング手法を提案する。 具体的には、このアプローチは衝突率を低減し、ベースラインと比較して安全性の指標を改善する。
  論文  参考訳（メタデータ） (2025-03-08T00:40:47Z)
• Dream to Drive with Predictive Individual World Model [12.05377034777257]
  本稿では,自律運転のための予測的個別世界モデル(PIWM)を用いたモデルベース強化学習(MBRL)手法を提案する。 PIWMは、運転環境を個人レベルで記述し、車両の対話的関係と意図を捉える。 PIWMの想像力で訓練され、意図を意識した潜伏状態を活用する都市運転シーンで効果的にナビゲートする。
  論文  参考訳（メタデータ） (2025-01-28T06:18:29Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• 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)
• 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)
• Learning Latent Traits for Simulated Cooperative Driving Tasks [10.009803620912777]
  我々は,人間の行動や嗜好の観点から,人間のコンパクトな潜在表現を捉えることのできるフレームワークを構築した。 そして、注意を散らす運転行動の1形態をモデル化するための軽量なシミュレーション環境、HMIway-envを構築します。 最終的にこの環境を利用して、ドライバを識別する能力と介入ポリシーの有効性の両方を定量化します。
  論文  参考訳（メタデータ） (2022-07-20T02:27:18Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Calibration of Human Driving Behavior and Preference Using Naturalistic Traffic Data [5.926030548326619]
  自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。 我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
  論文  参考訳（メタデータ） (2021-05-05T01:20:03Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。