論文の概要: Evolution of Lane-Changing Behavior in Mixed Traffic: A Quantum Game Theory Approach

• arxiv url: http://arxiv.org/abs/2604.19813v1
• Date: Fri, 17 Apr 2026 02:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.551842
• Title: Evolution of Lane-Changing Behavior in Mixed Traffic: A Quantum Game Theory Approach
• Title（参考訳）: 混合交通におけるレーン交換挙動の進化--量子ゲーム理論のアプローチ
• Authors: Sungyong Chung, Tina Radvand, Alireza Talebpour,
• Abstract要約: 自動車が混在する交通機関に入ると、人間の運転行動の進化を積極的に予測することが不可欠である。 本研究では、車線変更時の人間の意思決定の複雑さを捉えるための量子ゲーム理論(QGT)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.992389186393994
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As automated vehicles (AVs) enter mixed traffic, proactively anticipating the evolution of human driving behavior during critical interactions, such as lane changes, is essential. However, classical Evolutionary Game Theory (EGT) fails to capture the complexity of human decision-making during lane changes. Specifically, by strictly assuming independence between agents, classical models calibrated on empirical payoffs predict a convergence to unrealistic full cooperation, contradicting the stable 42% cooperation rate observed in real-world data. To resolve this discrepancy, this study introduces a Quantum Game Theory (QGT) framework. We analyze 7,636 lane-changing interactions from the Waymo Open Motion Dataset (WOMD) to derive empirical payoff matrices via a Quantal Response Equilibrium (QRE) model. Utilizing the Marinatto-Weber (MW) quantization scheme, we introduce an entanglement parameter to mathematically embed latent correlations directly into the payoff structure of a single interaction. Our results identify a human entanglement parameter of $|b|^2_{HDV} \approx 0.52$ that accurately reproduces the observed mixed equilibrium. Furthermore, simulations of three AV deployment strategies (classical, entangled, and inverted) reveal that human adaptation depends critically on the underlying AV algorithm: while cooperative classical AVs maximize system-wide cooperation at high market penetration rates, defective inverted AVs paradoxically yield higher overall cooperation at low penetration rates by prompting more cooperative behaviors from human drivers. Consequently, rather than waiting for large scale deployment to observe these effects, stakeholders can utilize this framework to simulate repeated interactions and proactively anticipate how human driver behavior will evolve in response to specific AV software designs.
• Abstract（参考訳）: 自動走行車(AV)が混在する交通路に入るため、車線変更などの重要な相互作用における人間の運転行動の進化を積極的に予測することが不可欠である。 しかし、古典的進化ゲーム理論(EGT)は車線変更時の人間の意思決定の複雑さを捉えていない。 具体的には、エージェント間の独立性を厳密に仮定することで、実証的なペイオフを調整した古典モデルは非現実的な完全協力への収束を予測し、実際のデータで観測される安定した42%の協力率と矛盾する。 この相違を解決するために,本研究では量子ゲーム理論(QGT)フレームワークを導入する。 我々は、Waymo Open Motion Dataset (WOMD) から7,636車線変更相互作用を分析し、量子応答平衡(QRE)モデルを用いて経験的ペイオフ行列を導出する。 Marinatto-Weber(MW)量子化スキームを用いることで、1つの相互作用のペイオフ構造に直接、数学的に潜在相関を埋め込むエンタングルメントパラメータを導入する。 以上の結果から,観測された混合平衡を正確に再現する,|b|^2_{HDV} \approx 0.52$の人間の絡み合いパラメータを同定した。 さらに、3つのAV配置戦略(古典的、絡み合った、逆転した)のシミュレーションでは、人間の適応が基礎となるAVアルゴリズムに大きく依存していることが示されている。 したがって、これらの効果を観察するために大規模なデプロイメントを待つのではなく、ステークホルダーは、このフレームワークを使用して反復的なインタラクションをシミュレートし、特定のAVソフトウェア設計に応じて、人間のドライバーの振る舞いがどのように進化するかを積極的に予測することができる。

関連論文リスト

• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Characterizing Lane-Changing Behavior in Mixed Traffic [3.7851234061033847]
  本研究は、車線変化挙動のパターンを解明し、これらの挙動が異なる浸透速度(MPR)の下でどのように進化するかを洞察する。 混合トラフィックにおける協調行動と欠陥行動を分析するゲーム理論フレームワークを提案する。 その結果,アクティブ車両と受動車両の車線変更イベントの約4%と11%に,社会的ジレンマが存在することが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-08T06:59:00Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• TPK: Trustworthy Trajectory Prediction Integrating Prior Knowledge For Interpretability and Kinematic Feasibility [11.436186697804835]
  軌道予測は自動運転車にとって不可欠であり、車両は周囲の道路利用者の動きを予測できる。 現在のディープラーニングモデルは、予測が物理的に実現不可能で、人間には非論理的であるため、信頼性に欠けることが多い。 本稿では,エージェントの行動差を捉えるために,すべてのエージェントクラスの相互作用とキネマティックな先行を取り入れることを提案する。
  論文  参考訳（メタデータ） (2025-05-10T19:29:32Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory Prediction [4.181632607997678]
  深層学習(DL)と強化学習(RL)の階層的ハイブリッドフレームワークを提案する。 DLの段階では、トラフィックシーンは、トランスフォーマースタイルのGNNが異種相互作用を符号化するために採用される複数の中間スケールの異種グラフに分割される。 RLの段階では、DLの段階で予測される重要な将来点を利用して、交通シーンを局所的なサブシーンに分割する。
  論文  参考訳（メタデータ） (2023-03-22T02:47:42Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)

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。