論文の概要: Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment

• arxiv url: http://arxiv.org/abs/2606.09958v1
• Date: Mon, 08 Jun 2026 12:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.090135
• Title: Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment
• Title（参考訳）: 混合交通環境における自律走行のための不確実性を考慮した運動計画
• Authors: Ming Cheng, Hao Chen, Ziyi Yang, Ziluowen Luo, Senzhang Wang,
• Abstract要約: 混合交通環境では、自律車と人間駆動車が共存することがある。 人間の意図は、行動の多様性、知覚ノイズ、部分的な可観測性によって本質的に不確実である。 AV意思決定のための人間の意図予測に不確実性を含む不確実性認識運動計画(UAMP)を提案する。
• 参考スコア（独自算出の注目度）: 39.296012711038635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In mixed-traffic environments where autonomous and human-driven vehicles may co-exist, motion planning for autonomous vehicles requires anticipating the future behaviors of surrounding human drivers. Existing reinforcement learning-based methods generally directly incorporate the predicted human intents into the observation to enable a proactive planning. However, human intent is inherently uncertain due to the behavioral diversity, perception noise, and partial observability. Treating predicted intends as deterministic states can result in unsafe decisions for autonomous vehicles. To address this problem, we propose Uncertainty-Aware Motion Planning (UAMP), which incorporates uncertainty in human intent prediction for AV decision-making. Specifically, UAMP first introduces a proximity-aware uncertainty estimator to quantify the interaction-conditioned intent uncertainty and constructs an uncertainty-guided joint intent distribution over surrounding human-driven vehicles. Within this uncertainty set, UAMP further introduces Uncertainty-Calibrated Value Learning (UCVL) to correct value function learning biases arising from directly incorporating uncertain human intent predictions into the observation. Extensive experiments in various mixed-traffic scenarios show that UAMP significantly improves safety and driving comfort, while maintaining traffic efficiency compared with existing approaches. The code is released at https://anonymous.4open.science/r/UAMP-5638.
• Abstract（参考訳）: 自動運転車と人間駆動の車両が共存する混合交通環境では、自動運転車の運動計画には、周囲のドライバーの将来の振る舞いを予測する必要がある。 既存の強化学習に基づく手法は、予測された人間の意図を直接観察に組み込んで、積極的な計画を可能にするのが一般的である。 しかしながら、人間の意図は行動の多様性、知覚ノイズ、部分的観察可能性などにより本質的に不確実である。 予測された意図を決定論的状態として扱うことは、自動運転車にとって安全でない決定をもたらす可能性がある。 この問題に対処するために,AV意思決定のための人間の意図予測の不確実性を考慮した不確実性認識運動計画(UAMP)を提案する。 具体的には、UAMPはまず近接認識の不確実性推定器を導入し、インタラクション条件付き意図の不確実性を定量化し、周囲の人間駆動車に対して不確実性誘導された共同意図分布を構築する。 この不確実性セットの中で、UAMPはさらに、不確実性校正価値学習(UCVL)を導入し、不確実性のある人間の意図を観察に直接取り入れることで生じる価値関数学習バイアスを補正する。 様々な混合交通シナリオにおける大規模な実験により、UAMPは既存のアプローチと比較して交通効率を保ちながら、安全と運転の快適性を大幅に向上することが示された。 コードはhttps://anonymous.4open.science/r/UAMP-5638で公開されている。

関連論文リスト

• Multimodal Belief-Space Covariance Steering with Active Probing and Influence for Interactive Driving [14.159772216001954]
  我々は、粗い離散意図と微妙な動きモードにまたがって人間の行動を構造化する階層的信念モデルを導入する。 人間の予測におけるマルチモーダルなあいまいさが安全を損なう可能性があることを識別するアクティブな探索戦略を開発する。 最後に、Conditional Value-at-Riskに基づく実行時リスク評価レイヤは、すべての調査アクションが影響の間、人間のリスク許容範囲内に留まることを保証します。
  論文  参考訳（メタデータ） (2026-02-16T08:04:16Z)
• Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
  運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。 従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。 ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
  論文  参考訳（メタデータ） (2025-02-27T13:43:17Z)
• Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space [3.487370856323828]
  本研究は,モデルフリーDRLアルゴリズムのトレーニングにおいて,予測歩行者状態の不確かさを取り入れた統合予測と計画手法を導入する。 新たな報酬関数により、AVは歩行者の個人的な空間を尊重し、接近中の速度を減少させ、予測された経路との衝突確率を最小化する。 その結果, 衝突速度は40%減少し, 予測の不確実性を考慮しない技術モデルと比較すると, 歩行者との距離は15%増加した。
  論文  参考訳（メタデータ） (2024-05-22T20:09:21Z)
• 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)
• Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
  本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。 我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
  論文  参考訳（メタデータ） (2023-03-29T16:12:45Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Socially-Compatible Behavior Design of Autonomous Vehicles with Verification on Real Human Data [33.347060552332096]
  自動運転車の予測・計画フレームワークについて,不確実性を考慮した統合化手法を提案する。 AVは、他の道路利用者の特徴をオンラインで推測し、自分の報酬だけでなく、他人への礼儀も最適化する行動を生成する。 その結果,オンライン推論は生成した行動の人間的類似性を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2020-10-28T02:47:18Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。