論文の概要: Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency

• arxiv url: http://arxiv.org/abs/2606.06805v1
• Date: Fri, 05 Jun 2026 01:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.498473
• Title: Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency
• Title（参考訳）: パーソナライズされた運転快適性と移動効率のための車線変更軌道計画
• Authors: Haoxuan Dong, Dongjun Li, Ziyou Song,
• Abstract要約: レーン変更は、運転の快適さと移動効率に影響を及ぼす左右の同時動作を伴う。 本研究では,3階トラジェクタを学習モジュールに統合し,様々な運転条件で最適なトラジェクタパラメータを推定するニューラルネットワークプランナを提案する。 統計的ゲートを介して実現されたヘッドゲート切替機構は、異なる駆動条件下で適切なヘッドを適応的に選択し、コンテキスト対応レーン切替軌道計画を可能にする。
• 参考スコア（独自算出の注目度）: 6.486234077240943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lane changing entails simultaneous longitudinal and lateral motions that affect driving comfort and mobility efficiency. Because these motions are tightly coupled and subject to substantial inter-vehicle variability, trajectory planning for lane-change maneuvers is characterized by a highly personalized nature. This study proposes a neural network-driven planner that integrates a third-order polynomial trajectory generator with a learning module that infers optimal trajectory parameters across diverse driving conditions. Using a shared backbone with dual heads, one head ensures all-condition operational guarantees, while the other captures driver-specific preferences for comfort or mobility efficiency. A head-gated switching mechanism, realized through a statistical gate based on error-winner logistic regression, adaptively selects the appropriate head under varying driving conditions, which enables context-aware lane-change trajectory planning. Representative cases and Monte Carlo simulations show that the proposed planner achieves personalized comfort and mobility during lane changes, while the baseline ensures feasible trajectories under driving conditions where personalized data are insufficient or inaccessible.
• Abstract（参考訳）: レーン変更は、運転の快適さと移動効率に影響を及ぼす左右の同時動作を伴う。 これらの動きは密結合であり、車間変動がかなり大きいため、車線変更操作のための軌道計画は、高度にパーソナライズされた性質によって特徴づけられる。 本研究では,3階多項式軌道生成器を学習モジュールに統合し,様々な運転条件で最適軌道パラメータを推定するニューラルネットワーク駆動型プランナを提案する。 2つのヘッドを持つ共有バックボーンを使用することで、一方のヘッドは全条件の運用保証を保証し、もう一方のヘッドはドライバー固有の快適性や移動効率の選好をキャプチャする。 誤差勝利ロジスティック回帰に基づいて統計的ゲートを介して実現されたヘッドゲート切替機構は、異なる駆動条件下で適切なヘッドを適応的に選択することにより、コンテキスト対応レーン変更軌道計画を可能にする。 代表的な事例とモンテカルロシミュレーションでは,提案したプランナーは車線変更時にパーソナライズされた快適さと移動性を達成し,ベースラインはパーソナライズされたデータが不十分あるいはアクセス不能な運転条件下で実現可能なトラジェクトリを保証する。

関連論文リスト

• Learning Personalized Driving Styles via Reinforcement Learning from Human Feedback [37.78654159363553]
  生成軌道モデルのための人間のフィードバック駆動微調整フレームワークであるTrajHFを紹介する。 TrajHFは、マルチ条件デノイザと強化学習を人間のフィードバックで組み込んで、マルチモーダル軌道生成を洗練させる。 TrajHFは、NavSimベンチマークの最先端に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-13T14:56:17Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Parameterized Decision-making with Multi-modal Perception for Autonomous Driving [12.21578713219778]
  AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。 ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
  論文  参考訳（メタデータ） (2023-12-19T08:27:02Z)
• Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
  本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。 我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-02-10T16:46:24Z)
• Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving [11.764518510841235]
  自然な運転データから移動プランナのコストパラメータを学習する。 この学習は、選択された軌跡に対して、同一の交通状況下での人間の運転軌跡を近似させることにより達成される。 レーン変更決定と運動計画の両方について実験を行い、有望な結果を得る。
  論文  参考訳（メタデータ） (2020-05-23T04:39:39Z)

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。