論文の概要: Differentiable Model Predictive Safety for Heterogeneous Mobility at Urban Intersections

• arxiv url: http://arxiv.org/abs/2605.27418v1
• Date: Tue, 19 May 2026 00:42:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.174971
• Title: Differentiable Model Predictive Safety for Heterogeneous Mobility at Urban Intersections
• Title（参考訳）: 都市間における異種移動の予測モデル
• Authors: Wenzhe Song, Hao Zhang,
• Abstract要約: 我々は、新しいフレームワーク、差別化可能なモデル予測安全性を導入する。 モデル予測制御の展望を、データ駆動のエンドツーエンドの強化学習アーキテクチャに組み込む。 衝突を5.6%未満に事実上排除し、高密度で混在する車両とロボットの交通シミュレーションを行う。
• 参考スコア（独自算出の注目度）: 4.517663944296433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The imminent integration of autonomous vehicles and mobile robots in urban settings presents a critical safety challenge for future intelligent transportation systems. This paper addresses the complex problem of coordinating heterogeneous agents with disparate dynamics at unregulated intersections. We introduce a novel framework, differentiable model predictive safety (DMPS), which embeds the foresight of model-predictive control into a data-driven, end-to-end reinforcement learning architecture. DMPS agents learn a latent dynamics model to predict future trajectories contingent on their actions. A learned, differentiable safety critic then evaluates the risk of these trajectories. Crucially, by leveraging backpropagation through the entire unrolled predictive model, agents can efficiently compute the gradient of future safety with respect to their current action, enabling a minimal and precise online safety correction. Integrated into a multi-agent training scheme, DMPS virtually eliminates collisions to less than 5.6% in high-density, mixed vehicle-robot traffic simulations, demonstrating state-of-the-art safety without compromising energy and traffic efficiency.
• Abstract（参考訳）: 都市部における自動運転車と移動ロボットの即時統合は、将来のインテリジェント交通システムにとって重要な安全課題である。 本稿では,不規則交点における異種エージェントと異種ダイナミクスを協調する複雑な問題に対処する。 我々は,データ駆動型エンドツーエンド強化学習アーキテクチャにモデル予測制御の展望を組み込んだ,新しいフレームワークである差別化モデル予測安全性(DMPS)を導入する。 DMPSエージェントは潜在力学モデルを学び、将来の軌跡を予測できる。 学習された、差別化可能な安全評論家は、これらの軌道のリスクを評価する。 重要なことは、未学習の予測モデル全体を通してバックプロパゲーションを活用することで、エージェントは現在の行動に関する将来の安全性の勾配を効率的に計算し、最小限かつ正確なオンライン安全修正を可能にする。 DMPSはマルチエージェントトレーニングスキームに統合され、高密度の混合ロボット交通シミュレーションにおいて衝突を5.6%未満に事実上排除し、エネルギーと交通効率を損なうことなく最先端の安全性を示す。

関連論文リスト

• 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)
• Confidence-Regulated Generative Diffusion Models for Reliable AI Agent Migration in Vehicular Metaverses [55.70043755630583]
  車両用AIエージェントには、環境認識、意思決定、行動実行能力が与えられている。 本稿では、信頼性の高い車両用AIエージェントマイグレーションフレームワークを提案し、信頼性の高い動的マイグレーションと効率的なリソーススケジューリングを実現する。 我々は,AIエージェントのマイグレーション決定を効率的に生成する信頼性制御型生成拡散モデル(CGDM)を開発した。
  論文  参考訳（メタデータ） (2025-05-19T05:04:48Z)
• RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion [17.46462636610847]
  リスク・ドライビング・環境(RADE)は、統計的に現実的でリスク調整可能な交通シーンを生成するシミュレーション・フレームワークである。 RADEはデータから直接リスク条件の行動を学び、コントロール可能なリスクレベルと自然主義的なマルチエージェントインタラクションを保存する。 RADEを実世界のrounDデータセットで検証し、様々なリスクレベルにわたって統計的リアリズムを保存することを示した。
  論文  参考訳（メタデータ） (2025-05-06T04:41:20Z)
• AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics [8.557684007368046]
  本稿では,AIを利用した対話型アクティブ安全分析フレームワークを提案する。 このフレームワークは、道路勾配を考慮した自転車モデルを用いて、車両のダイナミクスを正確に捉える。 並行して、ハイパーグラフベースのAIモデルが開発され、環境トラフィックの確率的軌跡を予測する。
  論文  参考訳（メタデータ） (2025-05-01T05:46:34Z)
• 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)
• 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)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• 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。