論文の概要: NOVA: Symbolic Regression Discovery of Interpretable Car-Following and Lane-Change Models with Driver Heterogeneity
- arxiv url: http://arxiv.org/abs/2606.10583v1
- Date: Tue, 09 Jun 2026 08:47:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.399676
- Title: NOVA: Symbolic Regression Discovery of Interpretable Car-Following and Lane-Change Models with Driver Heterogeneity
- Title（参考訳）: NOVA: ドライバーの不均一性を考慮した解釈可能な自動車追従モデルとレーンチェンジモデルのシンボリック回帰発見
- Authors: Ishak Abassi, Nassim Ali Bouazzouni, Farah Ibelaiden, Nadir Farhi,
- Abstract要約: NOVAは自動車追尾および車線変更構造のための自律的な象徴的回帰フレームワークである。
NGSIM I-80とUS-101データセットからの4,765,788のアクティブな運転観察に適用される。
NOVAは502人のドライバーに対して厳格な車両IDホールドアウトの下で67.4%のバランスの取れた精度を達成した。
- 参考スコア（独自算出の注目度）: 1.889930012459364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present NOVA, an autonomous symbolic regression framework that identifies interpretable car-following and lane-change structures from raw trajectory data with minimal behavioral priors. Applied to 4,765,788 active driving observations from the NGSIM I-80 and US-101 datasets, NOVA's deterministic Rust-powered search engine evaluates over 10,000 candidate algebraic structures and identifies a compact two-term acceleration model under a forward-shifted rolling-mean prediction target. Evaluated under two complementary preprocessing pipelines, NOVA achieves $RMSE = 1.376 m/s^2$ ($R^2 = 15.57\%$) on the intent-forecasting benchmark, outperforming the best recalibrated symbolic-regression baseline (SR-LLM, PNAS~2025) by 0.135 m/s$^2$ in RMSE under an identical evaluation protocol. Across eight independent experiments, a single dominant nonlinear term emerges as a robust backbone of human car-following; a residual-guided extension further links the selected structure to an established psychophysical theory of collision avoidance. The discovered feature operators transfer zero-shot between freeway sites with under 3 pp $R^2$ loss. Extended to lane-change modelling within a multinomial logit framework, NOVA achieves 67.4\% balanced accuracy under strict vehicle-ID holdout on 502 unseen drivers, surpassing existing lane-changing baselines by +29.8 percentage points on a three-class problem.
- Abstract（参考訳）: 我々は,車追従・車線変更構造を最小限の行動履歴を持つ生の軌跡データから識別する自律的記号回帰フレームワークNOVAを提案する。
NGSIM I-80とUS-101データセットからの4,765,788のアクティブな駆動観測に応用され、NOVAの決定論的Rust駆動検索エンジンは1万以上の候補代数構造を評価し、前方シフトされたローリング平均予測ターゲットの下でコンパクトな2項加速モデルを特定する。
2つの補完的な前処理パイプラインで評価され、NOVAはRMSE = 1.376 m/s^2$$(R^2 = 15.57\%$)をインテント予測ベンチマークで達成し、RMSEの0.135 m/s$^2$(SR-LLM, PNAS~2025)で最高のリカバリされたシンボル回帰ベースライン(SR-LLM)を上回った。
8つの独立した実験において、1つの支配的な非線形項は、人間の自動車追従の堅牢なバックボーンとして現れ、残留誘導拡張は、選択された構造と、衝突回避の確立された心理学的理論とを更に結びつける。
発見された特徴演算子は3pp$R^2$の損失で高速道路の地点間でゼロショットを転送する。
マルチノードロジットフレームワーク内での車線変更モデリングに拡張され、NOVAは502の未確認ドライバ上で厳密な車線IDホールドアウトの下で67.4\%のバランスの取れた精度を達成し、既存の車線変更ベースラインを+29.8ポイント超えた。
関連論文リスト
- How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。
アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
論文 参考訳（メタデータ） (2026-06-07T12:17:25Z) - DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
DriveAnchorは、自動運転計画のためのフレームワークである。
構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。
近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
論文 参考訳（メタデータ） (2026-05-30T04:17:59Z) - Kinematic Discriminants of Deceleration Behavior Modes in Car-Following: Evidence from NGSIM Trajectory Data [0.0]
ギャップ閉鎖率と視覚的略奪は、減速強度に応じて差別的支配を切り替える。
発見は、ADAS警告システムの設計と自動運転車の制御に直接的な意味を持つ。
論文 参考訳（メタデータ） (2026-05-06T15:47:23Z) - Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
道路交通事故は世界中の交通事故の主な原因である。
米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。
本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。
2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
論文 参考訳（メタデータ） (2026-04-17T21:11:39Z) - REAL: Regression-Aware Reinforcement Learning for LLM-as-a-Judge [83.2858110368572]
回帰報酬を最適化するための原則的RLフレームワークである textbfREAL (underlineREgression-underlineAware Reinforcement underlineLThought) を提案する。
我々は,REALがレグレッション対応SFTベースラインと標準RL法の両方を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-17T21:19:08Z) - AI-Driven Predictive Maintenance with Real-Time Contextual Data Fusion for Connected Vehicles: A Multi-Dataset Evaluation [0.0]
本稿では,V2X強化予測維持のためのシミュレーション検証型概念実証フレームワークを提案する。
オンボードセンサーストリームと外部のコンテキスト信号を統合する。
エッジ推論では、レイテンシを3.5sから1.0s以下に削減すると見積もられている。
論文 参考訳（メタデータ） (2026-03-07T06:08:45Z) - Dynamic Model Selection for Trajectory Prediction via Pairwise Ranking and Meta-Features [0.0]
最近の深い軌道予測器は、高い平均精度を達成したが、複雑な長距離運転シナリオでは信頼性が保たれている。
物理インフォームドLSTM, トランスフォーマー, 微調整されたGameFormerのうち, もっとも信頼性の高い軌道予測器を適応的に選択する動的マルチエキスパートゲーティングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-31T10:01:01Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Probing Model Signal-Awareness via Prediction-Preserving Input
Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。
SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。
その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文 参考訳（メタデータ） (2020-11-25T20:05:23Z)
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。