論文の概要: Toward Cooperative Driving in Mixed Traffic: An Adaptive Potential Game-Based Approach with Field Test Verification
- arxiv url: http://arxiv.org/abs/2604.20231v1
- Date: Wed, 22 Apr 2026 06:29:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.992045
- Title: Toward Cooperative Driving in Mixed Traffic: An Adaptive Potential Game-Based Approach with Field Test Verification
- Title（参考訳）: 混合交通における協調運転に向けて--フィールドテスト検証を用いた適応型ゲームベースアプローチ
- Authors: Shiyu Fang, Xiaocong Zhao, Xuekai Liu, Peng Hang, Jianqiang Wang, Yunpeng Wang, Jian Sun,
- Abstract要約: 本稿では,アダプティブ・ポテンシャルゲーム(APG)協調運転フレームワークを提案する。
まず、システムユーティリティ関数は、個々のユーティリティの一般的な形式に基づいて確立される。
第二に、Shapley値はシステム内の各車両の限界効用を計算するために導入された。
第3に、観測されたHDV挙動とAPGの推定動作を比較することにより、HDVの選好推定を動的に洗練する。
- 参考スコア（独自算出の注目度）: 42.10434849745835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connected autonomous vehicles (CAVs), which represent a significant advancement in autonomous driving technology, have the potential to greatly increase traffic safety and efficiency through cooperative decision-making. However, existing methods often overlook the individual needs and heterogeneity of cooperative participants, making it difficult to transfer them to environments where they coexist with human-driven vehicles (HDVs).To address this challenge, this paper proposes an adaptive potential game (APG) cooperative driving framework. First, the system utility function is established on the basis of a general form of individual utility and its monotonic relationship, allowing for the simultaneous optimization of both individual and system objectives. Second, the Shapley value is introduced to compute each vehicle's marginal utility within the system, allowing its varying impact to be quantified. Finally, the HDV preference estimation is dynamically refined by continuously comparing the observed HDV behavior with the APG's estimated actions, leading to improvements in overall system safety and efficiency. Ablation studies demonstrate that adaptively updating Shapley values and HDV preference estimation significantly improve cooperation success rates in mixed traffic. Comparative experiments further highlight the APG's advantages in terms of safety and efficiency over other cooperative methods. Moreover, the applicability of the approach to real-world scenarios was validated through field tests.
- Abstract（参考訳）: 自動運転技術の大幅な進歩を示すコネクテッド・自動運転車(CAV)は、協調的な意思決定を通じて交通安全と効率を大幅に向上させる可能性がある。
しかしながら、既存の手法は、協力者の個人のニーズや異種性を見落とし、人間駆動車(HDV)と共存する環境にそれらを移すことが困難になることが多い。
そこで本研究では,アダプティブ・ポテンシャルゲーム(APG)協調運転フレームワークを提案する。
まず、システムユーティリティ関数は、個々のユーティリティの一般的な形式とそのモノトニックな関係に基づいて構築され、個々の目的とシステムの目的の両方を同時に最適化することができる。
第二に、Shapley値はシステム内の各車両の限界効用を計算するために導入され、その様々な影響を定量化することができる。
最後に、観測されたHDV挙動とAPGの推定動作とを連続的に比較することにより、HDVの選好推定を動的に改善し、システム全体の安全性と効率が改善される。
アブレーション実験により,シャプリー値の適応的更新とHDV選好推定が混在交通における協調成功率を大幅に向上することが示された。
比較実験は、他の協力的手法よりも安全性と効率の点でAPGの利点をさらに強調した。
さらに,実世界のシナリオに対するアプローチの適用性については,フィールドテストを通じて検証した。
関連論文リスト
- A Human-Oriented Cooperative Driving Approach: Integrating Driving Intention, State, and Conflict [50.983743505985956]
我々は,より自然で効果的な人間-車間相互作用を確立するために,Human-Oriented Cooperative Driving (HOCD) アプローチを提案する。
実装においては、シームレスな人車連携を確保するため、戦術レベルと運用レベルを考慮に入れます。
他の協調運転法と比較して,提案手法は運転性能を著しく向上し,人間と機械の衝突を緩和する。
論文 参考訳（メタデータ） (2025-12-29T05:51:00Z) - HCOMC: A Hierarchical Cooperative On-Ramp Merging Control Framework in Mixed Traffic Environment on Two-Lane Highways [6.838130893718755]
コネクテッド・アンド・オートマチック・カーズ(CAV)に基づく協調制御戦略は,この問題に対する基本的な解決策である。
CAVは完全には普及していないが、異種交通流に対する階層的協調型オンランプマージ制御(HCOMC)フレームワークを提案する必要がある。
本稿では,修正仮想車両モデルに基づく階層的協調計画モデル,ゲーム理論に基づく離散車線変更モデル,マルチマインド最適化モデルからなるHCOMCフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-15T18:01:29Z) - TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic [6.838130893718755]
本研究は,TGLD(Trust-aware game-theoretic lane-changing decision framework)を提案する。
まず,AV間の完全協調的な相互作用と,リアルタイム信頼評価から得られるHVからの部分的に協調的な挙動を取り入れた多車連立ゲームを定式化する。
第2に,車線変更時のHVの信頼度を動的に推定するオンライン信頼度評価手法を開発し,コンテキストに適した協調操作を選択するためのAVを誘導する。
第3に、周囲の車両への混乱を最小限に抑え、AV行動の予測可能性を高めることにより、社会的適合性を考慮した。
論文 参考訳（メタデータ） (2025-07-14T09:01:00Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions [7.735477839355801]
本稿では,DAG(Deep Reinforcement Learning, 深層強化学習)アルゴリズムを用いた意思決定フレームワークを提案する。
提案手法の性能を評価するため, 模擬環境下での車線変更シナリオにおいて, 提案手法を検証, 適用することができる。
論文 参考訳（メタデータ） (2025-04-28T17:24:04Z) - Automated Vehicles at Unsignalized Intersections: Safety and Efficiency Implications of Mixed Human and Automated Traffic [10.095348373137952]
自動車両(AV)の交通システムへの統合は、道路の安全性と効率を高める前例のない機会である。
本研究では,無人交差点におけるAVと人間駆動車(HV)の行動差と適応性を調べることにより,ギャップを埋めることを目的とする。
AVはより大きな安全マージンを維持しているが、その保守的な行動は、人間のドライバーにとって予期せぬ状況を引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-10-16T13:19:32Z) - Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。
本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
論文 参考訳（メタデータ） (2024-09-19T14:36:00Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。
また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
論文 参考訳（メタデータ） (2023-11-28T12:52:49Z) - A Cooperation-Aware Lane Change Method for Autonomous Vehicles [16.937363492078426]
本稿では,車両間の相互作用を利用した協調型車線変更手法を提案する。
まず,AVと他者間の協調の可能性を探るため,対話的な軌道予測手法を提案する。
次に,モデル予測制御(MPC)に基づく動作計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-26T04:45:45Z)
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。