論文の概要: Multimodal Belief-Space Covariance Steering with Active Probing and Influence for Interactive Driving

• arxiv url: http://arxiv.org/abs/2602.14540v2
• Date: Sun, 15 Mar 2026 04:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.484031
• Title: Multimodal Belief-Space Covariance Steering with Active Probing and Influence for Interactive Driving
• Title（参考訳）: アクティブプローブを用いた多モード空間共分散ステアリングと対話運転への影響
• Authors: Devodita Chakravarty, John Dolan, Yiwei Lyu,
• Abstract要約: 我々は、粗い離散意図と微妙な動きモードにまたがって人間の行動を構造化する階層的信念モデルを導入する。 人間の予測におけるマルチモーダルなあいまいさが安全を損なう可能性があることを識別するアクティブな探索戦略を開発する。 最後に、Conditional Value-at-Riskに基づく実行時リスク評価レイヤは、すべての調査アクションが影響の間、人間のリスク許容範囲内に留まることを保証します。
• 参考スコア（独自算出の注目度）: 14.159772216001954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving in complex traffic requires reasoning under uncertainty. Common approaches rely on prediction-based planning or risk-aware control, but these are typically treated in isolation, limiting their ability to capture the coupled nature of action and inference in interactive settings. This gap becomes especially critical in uncertain scenarios, where simply reacting to predictions can lead to unsafe maneuvers or overly conservative behavior. Our central insight is that safe interaction requires not only estimating human behavior but also shaping it when ambiguity poses risks. To this end, we introduce a hierarchical belief model that structures human behavior across coarse discrete intents and fine motion modes, updated via Bayesian inference for interpretable multi-resolution reasoning. On top of this, we develop an active probing strategy that identifies when multimodal ambiguity in human predictions may compromise safety and plans disambiguating actions that both reveal intent and gently steer human decisions toward safer outcomes. Finally, a runtime risk-evaluation layer based on Conditional Value-at-Risk (CVaR) ensures that all probing actions remain within human risk tolerance during influence. Our simulations in lane-merging and unsignaled intersection scenarios demonstrate that our approach achieves higher success rates and shorter completion times compared to existing methods. These results highlight the benefit of coupling belief inference, probing, and risk monitoring, yielding a principled and interpretable framework for planning under uncertainty.
• Abstract（参考訳）: 複雑な交通における自律運転は不確実性の下で推論を必要とする。 一般的なアプローチは、予測ベースの計画やリスク対応制御に依存するが、通常は分離して扱われ、対話的な環境での行動と推論の結合性を捉える能力を制限する。 このギャップは、予測に単純に反応すれば、安全でない操作や過度に保守的な行動につながる、不確実なシナリオで特に重要になる。 私たちの中心的な洞察は、安全な相互作用は人間の行動を推定するだけでなく、あいまいさがリスクをもたらすときにそれを形成する必要がある、ということです。 この目的のために、我々は、粗い離散意図と微妙な動きモードにまたがって人間の振舞いをモデル化する階層的信念モデルを導入し、ベイズ推論を用いて解釈可能な多分解能推論を更新する。 そこで我々は,人間の予測におけるマルチモーダルなあいまいさが安全性を損なうことを検知するアクティブな探索戦略を開発し,意図を明らかにし,より安全な結果に向けて人的決定を優しく下すような不明瞭な行動を計画する。 最後に、CVaR(Conditional Value-at-Risk)に基づいた実行時リスク評価レイヤは、すべての探索アクションが影響の間、人間のリスク許容範囲内に留まることを保証します。 路面融解および符号なし交叉シナリオにおけるシミュレーションは,既存手法と比較して,我々の手法がより高い成功率と完了時間の短縮を実現していることを示す。 これらの結果は、信頼関係の推論、調査、リスクモニタリングの利点を強調し、不確実性の下で計画するための原則的で解釈可能な枠組みを生み出します。

関連論文リスト

• Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
  RiskNetは自動運転車のリスク予測フレームワークである。 決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。 リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-04-22T02:36:54Z)
• Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
  我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。 エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。 我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
  論文  参考訳（メタデータ） (2024-09-26T21:00:45Z)
• On Minimizing Adversarial Counterfactual Error in Adversarial RL [18.044879441434432]
  敵の騒音は、安全クリティカルなシナリオにおいて重大なリスクを生じさせる。 我々は,ACoE(Adversarial Counterfactual Error)と呼ばれる新しい目標を導入する。 本手法は, 対向RL問題に対処するための最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-06-07T08:14:24Z)
• 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)
• Safe Explicable Planning [3.3869539907606603]
  安全計画(SEP:Safe Explicable Planning)を提案する。 提案手法は,複数のモデルから派生した複数の対象の考察を一般化する。 これらの手法の望ましい理論的性質を検証するための公式な証明を提供する。
  論文  参考訳（メタデータ） (2023-04-04T21:49:02Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Risk-Constrained Interactive Safety under Behavior Uncertainty for Autonomous Driving [0.0]
  許可された計画領域を制限する安全封筒は、行動の不確実性の存在下で解釈可能な安全性をもたらす。 人間は、安全封筒に違反する確率的リスクを受け入れることによって、密集した交通における安全と効率のバランスをとる。
  論文  参考訳（メタデータ） (2021-02-05T08:33:39Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。