論文の概要: SEIDM: A Safe and Efficient Intelligent Driver Model for Autonomous Driving Behavior

• arxiv url: http://arxiv.org/abs/2605.23915v1
• Date: Sat, 11 Apr 2026 21:18:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-22 02:25:36.794852
• Title: SEIDM: A Safe and Efficient Intelligent Driver Model for Autonomous Driving Behavior
• Title（参考訳）: SEIDM:自律運転行動のための安全かつ効率的なインテリジェントドライバモデル
• Authors: Yuyang Yao, Shaocheng Luo,
• Abstract要約: SEIDM (Safe and Efficient Intelligent Driver Model) は、安全を犠牲にすることなく、交通流効率を向上させるために設計された拡張IDM拡張である。 加速度決定における安全減速項の影響を動的に調節する適応的安全因子を導入する。 安定化間隔を著しく短くし、交通流平衡への高速な収束を実現し、元のIMMとその変種を交通の安定性と効率で上回っている。
• 参考スコア（独自算出の注目度）: 1.3198143828338365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Intelligent Driver Model (IDM) is a cornerstone of Adaptive Cruise Control (ACC), valued for its interpretable parameters and effectiveness in car-following behavior modeling. However, its inherent conservatism leads to prolonged stabilization and reduced traffic efficiency, which have received limited attention. In this paper, we propose SEIDM (Safe and Efficient Intelligent Driver Model), an enhanced IDM extension designed to improve traffic flow efficiency without sacrificing safety. SEIDM introduces an adaptive safety factor to dynamically modulate the impact of the safe deceleration term in acceleration decisions. This allows vehicles to follow more assertively under safe conditions while behaving more cautiously in potential hazards. Extensive urban traffic simulations show that SEIDM achieves significantly shorter stabilization spacing and faster convergence to traffic flow equilibrium, outperforming the original IDM and its variants in traffic stability and efficiency.
• Abstract（参考訳）: インテリジェントドライバモデル(IDM)は、適応クルーズ制御(ACC)の基盤であり、その解釈可能なパラメータと車追従行動モデリングの有効性で評価されている。 しかし、その固有の保守主義は、長期の安定化と交通効率の低下を招き、注意を引いてきた。 本稿では、安全を犠牲にすることなく、交通流効率を向上させるための拡張IDM拡張であるSEIDM(Safe and Efficient Intelligent Driver Model)を提案する。 SEIDMは、加速度決定における安全減速項の影響を動的に調節する適応安全因子を導入する。 これにより、車両は安全条件下でより断続的に追従し、潜在的な危険に対してより慎重に行動することができる。 広域都市交通シミュレーションにより,SEIDMは交通流平衡の安定化間隔を著しく短縮し,より高速な収束を実現し,交通安定性と効率性において本来のIMMとその変種を上回る性能を示した。

関連論文リスト

• GuardAD: Safeguarding Autonomous Driving MLLMs via Markovian Safety Logic [51.85782253444399]
  MLLM(Multimodal large language model)は、自律運転システムに統合されつつある。 それらは、特に事故を起こしやすいシナリオにおいて、多様な安全上の脅威に弱いままである。 我々は,AD安全性を進化するマルコフ論理状態として定式化するモデル非依存型安全ガードであるGardadを提案する。
  論文  参考訳（メタデータ） (2026-05-11T11:28:03Z)
• Self-Guard: Defending Large Reasoning Models via enhanced self-reflection [54.775612141528164]
  Self-Guardは、大規模推論モデルのための軽量な安全防御フレームワークである。 これは認識とコンプライアンスのギャップを埋め、モデルユーティリティを損なうことなく堅牢な安全性能を達成する。 セルフガードは、さまざまな未知のリスクとさまざまなモデルスケールにまたがる強力な一般化を示す。
  論文  参考訳（メタデータ） (2026-01-31T13:06:11Z)
• Automating Steering for Safe Multimodal Large Language Models [58.36932318051907]
  基礎モデルの微調整を必要とせず,モジュール型かつ適応型推論時間介入技術であるAutoSteerを導入する。 AutoSteerは,(1)モデル内部層間の最も安全性に関連のある識別を自動的に行う新しい安全意識スコア(SAS),(2)中間表現から有害な出力の可能性を推定するために訓練された適応安全プローバ,(3)安全性のリスクが検出された場合に生成を選択的に介入する軽量な拒絶ヘッドの3つのコアコンポーネントを組み込んだ。
  論文  参考訳（メタデータ） (2025-07-17T16:04:55Z)
• Toward Safety-First Human-Like Decision Making for Autonomous Vehicles in Time-Varying Traffic Flow [19.366456768621365]
  このフレームワークは、他の道路利用者の意図推論のための空間的注意(S-TA)機構、行動規制のための社会的コンプライアンス推定モジュール、Deep Evolutionary Reinforcement Learning(DERL)モデルを統合する。 SF-HLDMフレームワークは、自律運転AIエージェントが決定パラメータを動的に調整し、安全マージンを維持し、文脈的に適切な運転行動に固執することを可能にする。
  論文  参考訳（メタデータ） (2025-06-17T13:28:19Z)
• SafeDrive: Knowledge- and Data-Driven Risk-Sensitive Decision-Making for Autonomous Vehicles with Large Language Models [14.790308656087316]
  SafeDriveは、自律運転の安全性と適応性を高めるための、知識とデータ駆動型リスクに敏感な意思決定フレームワークである。 知識駆動型洞察と適応学習機構を統合することにより、不確実な条件下での堅牢な意思決定を保証する。
  論文  参考訳（メタデータ） (2024-12-17T16:45:27Z)
• Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
  信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。 本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。 動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
  論文  参考訳（メタデータ） (2024-11-29T11:57:00Z)
• Automatic driving lane change safety prediction model based on LSTM [3.8749946206111603]
  LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点がある。 その結果、従来のモデルベース手法と比較して、LSTMネットワークに基づく軌道予測法は、長い時間領域における軌道予測において明らかな利点があることが示された。
  論文  参考訳（メタデータ） (2024-02-28T12:34:04Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• SAINT-ACC: Safety-Aware Intelligent Adaptive Cruise Control for Autonomous Vehicles Using Deep Reinforcement Learning [17.412117389855226]
  SAINT-ACC:Setyaf-Aware Intelligent ACC system (SAINT-ACC) は、交通効率、運転安全性、運転快適性の同時最適化を実現するために設計された。 交通効率と運転安全・快適性の最適バランスを求めるために,新しい二重RLエージェントベースアプローチを開発した。
  論文  参考訳（メタデータ） (2021-03-06T14:01:29Z)

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。