論文の概要: Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework

• arxiv url: http://arxiv.org/abs/2602.11517v1
• Date: Thu, 12 Feb 2026 03:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.617572
• Title: Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework
• Title（参考訳）: マルチクリトリアフレームワークを用いた自律型シャトルの車両追従モデルの校正と評価
• Authors: Renan Favero, Lily Elefteriadou,
• Abstract要約: 自動運転シャトル専用車追尾モデルの開発は、その交通影響を理解する上で極めて重要である。 より高度な機械学習技術はまだAS軌道に適用されていない。 自動車追従モデルの性能を体系的に評価し比較するための統一的なフレームワークがない。
• 参考スコア（独自算出の注目度）: 4.8342038441006805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous shuttles (AS) are fully autonomous transit vehicles with operating characteristics distinct from conventional autonomous vehicles (AV). Developing dedicated car-following models for AS is critical to understanding their traffic impacts; however, few studies have calibrated such models with field data. More advanced machine learning (ML) techniques have not yet been applied to AS trajectories, leaving the potential of ML for capturing AS dynamics unexplored and constraining the development of dedicated AS models. Furthermore, there is a lack of a unified framework for systematically evaluating and comparing the performance of car-following models to replicate real trajectories. Existing car-following studies often rely on disparate metrics, which limit reproducibility and performance comparability. This study addresses these gaps through two main contributions: (1) the calibration of a diverse set of car-following models using real-world AS trajectory data, including eight machine learning algorithms and two physics-based models; and (2) the introduction of a multi-criteria evaluation framework that integrates measures of prediction accuracy, trajectory stability, and statistical similarity, which provides a generalizable methodology for a systematic assessment of car-following models. Results indicated that the proposed calibrated XGBoost model achieved the best overall performance. Sequential model type, such as LSTM and CNN, captured long-term positional stability but were less responsive to short-term dynamics. LSTM and CNN captured long-term positional stability but were less responsive to short-term dynamics. Traditional models (IDM, ACC) and kernel methods showed lower accuracy and stability than most ML models tested.
• Abstract（参考訳）: 自律型シャトル (AS) は、従来の自律型シャトル (AV) とは異なる運転特性を持つ完全自律型トランジット車両である。 AS専用車追尾モデルの開発は、交通影響を理解する上で重要であるが、フィールドデータを用いてそのようなモデルを校正する研究はほとんどない。 より高度な機械学習(ML)技術は、ASトラジェクトリにはまだ適用されておらず、ASダイナミクスを探索せず、専用のASモデルの開発を制約するMLの可能性を残している。 さらに,車両追従モデルの性能をシステム的に評価・比較し,実軌道を再現する統一的な枠組みが欠如している。 既存の自動車追跡研究は、再現性と性能のコンパビリティを制限する異なるメトリクスに依存していることが多い。 本研究では,(1)実世界のAS軌道データを用いた多種多様な自動車追従モデルのキャリブレーション,(2)予測精度,軌道安定性,統計的類似性の指標を統合した多基準評価フレームワークを導入し,自動車追従モデルの系統的評価のための一般化可能な方法論を提供する。 その結果,XGBoostモデルが全体の性能で最高の結果を得た。 LSTMやCNNのような逐次モデル型は、長期的位置安定性を捉えたが、短期的ダイナミクスに対する応答性は低かった。 LSTMとCNNは長期的位置安定性を捉えたが、短期的ダイナミクスに対する応答性は低かった。 従来のモデル(IDM, ACC)とカーネル手法は、テストされたほとんどのMLモデルよりも精度と安定性が低かった。

関連論文リスト

• Improving Batch Normalization with TTA for Robust Object Detection in Self-Driving [26.038699227233227]
  本稿では、自律運転における物体検出のためのTTAによるバッチ正規化を改善するための2つの新しいロバスト手法を提案する。 本稿では,一般探索エントロピー最小化法(GSEM)に基づく学習可能なBN層を提案する。 本稿では,モデルが最適解を反復的に探索することを奨励する,セマンティック一貫性に基づく2段階適応戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-28T01:59:34Z)
• 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)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
  本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。 我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
  論文  参考訳（メタデータ） (2023-03-27T13:39:26Z)
• IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence Car-Following Trajectory Prediction [24.94160059351764]
  ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。 2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。 シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-20T02:24:27Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)

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。