論文の概要: Personalized Autonomous Driving via Optimal Control with Clearance Constraints from Questionnaires
- arxiv url: http://arxiv.org/abs/2602.08326v1
- Date: Mon, 09 Feb 2026 07:00:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.272882
- Title: Personalized Autonomous Driving via Optimal Control with Clearance Constraints from Questionnaires
- Title（参考訳）: クリアランス制約を考慮した最適制御によるパーソナライズされた自律運転
- Authors: Yongjae Lim, Dabin Kim, H. Jin Kim,
- Abstract要約: 本研究では,周囲の車両からの安全確保レベルに関するユーザの嗜好を明示的に取り入れた計画枠組みを提案する。
我々は,不必要な質問を最小限に抑えつつ,我々のフレームワークに関連するユーザの嗜好を捉えるために,意図的に調整されたアンケートを設計する。
- 参考スコア（独自算出の注目度）: 20.6894590487146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Driving without considering the preferred separation distance from surrounding vehicles may cause discomfort for users. To address this limitation, we propose a planning framework that explicitly incorporates user preferences regarding the desired level of safe clearance from surrounding vehicles. We design a questionnaire purposefully tailored to capture user preferences relevant to our framework, while minimizing unnecessary questions. Specifically, the questionnaire considers various interaction-relevant factors, including the surrounding vehicle's size, speed, position, and maneuvers of surrounding vehicles, as well as the maneuvers of the ego vehicle. The response indicates the user-preferred clearance for the scenario defined by the question and is incorporated as constraints in the optimal control problem. However, it is impractical to account for all possible scenarios that may arise in a driving environment within a single optimal control problem, as the resulting computational complexity renders real-time implementation infeasible. To overcome this limitation, we approximate the original problem by decomposing it into multiple subproblems, each dealing with one fixed scenario. We then solve these subproblems in parallel and select one using the cost function from the original problem. To validate our work, we conduct simulations using different user responses to the questionnaire. We assess how effectively our planner reflects user preferences compared to preference-agnostic baseline planners by measuring preference alignment.
- Abstract（参考訳）: 周囲の車両との分離距離を考慮せずに運転することは、利用者の不快感を引き起こす可能性がある。
この制限に対処するため,周辺車両からの安全確保を希望するレベルに関して,ユーザの嗜好を明示的に取り入れた計画枠組みを提案する。
我々は,不必要な質問を最小限に抑えつつ,我々のフレームワークに関連するユーザの嗜好を捉えるために,意図的に調整されたアンケートを設計する。
具体的には, 周囲車両の大きさ, 速度, 位置, 操作, エゴ車両の操作など, 様々なインタラクション関連要因について検討した。
応答は、質問によって定義されたシナリオに対するユーザ優先のクリアランスを示し、最適制御問題に制約として組み込まれる。
しかし、計算複雑性の結果としてリアルタイムの実装が不可能になるため、運転環境において1つの最適制御問題の中で起こりうるすべてのシナリオを考慮することは不可能である。
この制限を克服するために、複数のサブプロブレムに分解して元の問題を近似し、それぞれが1つの固定シナリオを扱う。
次にこれらのサブプロブレムを並列に解き、原問題からコスト関数を用いた部分プロブレムを選択する。
本研究の成果を検証するために,質問紙に対する異なるユーザ応答を用いたシミュレーションを行った。
選好非依存のベースラインプランナーと比較して、選好アライメントを測定することで、どのプランナーがユーザの嗜好を効果的に反映するかを評価する。
関連論文リスト
- Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。
静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。
我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
論文 参考訳（メタデータ） (2025-09-30T18:55:28Z) - Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。
textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。
SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文 参考訳（メタデータ） (2025-09-24T13:27:35Z) - Exploiting Prior Knowledge in Preferential Learning of Individualized Autonomous Vehicle Driving Styles [41.94295877935867]
自動車両の軌道計画では、一般的に移動地平線上を最適化するモデル予測制御を用いる。
乗客に好まれる運転スタイルをもたらす適切なコスト関数を見つけることは、現在進行中の課題である。
我々は、乗客の好みを反復的にクエリすることでコスト関数の学習に優先的なベイズ最適化を用いる。
論文 参考訳（メタデータ） (2025-03-19T16:47:56Z) - DriveLMM-o1: A Step-by-Step Reasoning Dataset and Large Multimodal Model for Driving Scenario Understanding [76.3876070043663]
自律運転のための段階的視覚的推論を推し進めるためのデータセットとベンチマークであるDriveLMM-o1を提案する。
私たちのベンチマークでは、トレーニングセットに18k以上のVQAサンプル、テストセットに4k以上、知覚、予測、計画に関するさまざまな質問をカバーしています。
我々のモデルは、最終回答精度が+7.49%向上し、以前の最高のオープンソースモデルよりも3.62%向上した。
論文 参考訳（メタデータ） (2025-03-13T17:59:01Z) - QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving [33.609780917199394]
自動運転車は環境を理解して適切な行動を決定する必要がある。
従来のシステムは、シーン内のエージェントを見つけるためにオブジェクト検出に依存していた。
我々は、最初に占有する時間的自律性を知覚するカスケードモジュールから遠ざかる、統一的で解釈可能で効率的な自律フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-01T21:11:43Z) - Interactively Learning Preference Constraints in Linear Bandits [100.78514640066565]
我々は、既知の報酬と未知の制約で逐次意思決定を研究する。
応用として,運転シミュレーションにおいて,人間の嗜好を表現するための学習制約を検討する。
論文 参考訳（メタデータ） (2022-06-10T17:52:58Z) - Learning-based Preference Prediction for Constrained Multi-Criteria
Path-Planning [12.457788665461312]
自動地上車両(AGV)の制約された経路計画法はそのような適用例である。
我々は、ニューラルネットワークモデルをトレーニングして、オフラインシミュレーションによって得られた知識を活用し、不確実な基準を予測する。
私たちはこのモデルをパスプランナに統合し、オンラインの問題を解決することができます。
論文 参考訳（メタデータ） (2021-08-02T17:13:45Z) - 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) - Generalizing Decision Making for Automated Driving with an Invariant
Environment Representation using Deep Reinforcement Learning [55.41644538483948]
現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。
本研究では,エゴ車の観点から不変環境表現を提案する。
この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
論文 参考訳（メタデータ） (2021-02-12T20:37:29Z) - The bi-objective multimodal car-sharing problem [0.0]
BiO-MMCPの目的は、旅行のための輸送の最適モードを決定することである。
ユーザ満足度は共有モビリティシステムにおいて重要な側面であるため、ユーザの好みを第2の目的として考える。
我々は2つの双方向フレームワークに埋め込まれた分岐とカットのアルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-18T13:48:17Z) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳（メタデータ） (2020-09-23T14:56:19Z)
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。