論文の概要: Multi-Target Maneuver Coordinations: Unlocking Coordination Opportunities in Connected Automated Driving

• arxiv url: http://arxiv.org/abs/2606.22055v1
• Date: Sat, 20 Jun 2026 14:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:02:18.364209
• Title: Multi-Target Maneuver Coordinations: Unlocking Coordination Opportunities in Connected Automated Driving
• Title（参考訳）: マルチターゲットマニキュアコーディネーション:コネクテッドオートドライブにおけるコーディネーションオプションのアンロック
• Authors: Rafael Molina-Masegosa, Sergei S. Avedisov, Miguel Sepulcre, Takayuki Shimizu, Javier Gozalvez, Onur Altintas,
• Abstract要約: 本稿では,多目的選択に基づく操作調整手法を提案する。 与えられた操作のために、車両は複数の潜在的な調整車両を識別し、選択することができる。 その結果, 複数ターゲットの操作調整はトリガを著しく増加させ, 実行された調整を成功させることができた。
• 参考スコア（独自算出の注目度）: 6.284195585770223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maneuver coordination is a key enabler of connected and automated driving, allowing vehicles to negotiate and execute maneuvers that would otherwise be difficult, inefficient or unsafe. Existing approaches and use cases typically assume coordination with a single predefined target vehicle, which limits the number of coordination opportunities. This paper introduces a maneuver coordination approach based on multi-target selection, which allows a vehicle to identify and select among multiple potential coordination vehicles for a given maneuver. Multi-target maneuver coordination does not require modifications to the maneuver execution logic or to the underlying coordination protocol. Instead, it extends the decision-making process preceding coordination, enabling vehicles to exploit a broader set of feasible cooperative interactions. Results show that multi-target maneuver coordination significantly increases triggered and successfully executed coordinations while maintaining a low computational cost, as the proposed approach achieves these gains without requiring the analysis of a large number of potential target vehicles. These improvements preserve coordination success rates while enabling earlier maneuver initiation.
• Abstract（参考訳）: マニキュアコーディネートは、接続された自動運転の鍵となる機能であり、車両が交渉し、他の場合では困難、非効率、または安全でない操作を実行できるようにする。 既存のアプローチやユースケースは、通常、1つの事前定義された目標車両との調整を前提とします。 本稿では,多目的選択に基づく操作調整手法を提案する。これにより,車両は与えられた操作に対して,複数の潜在的調整車両を識別および選択することができる。 マルチターゲット操作調整は、操作実行ロジックや基礎となる調整プロトコルの変更を必要としない。 代わりに、調整前の意思決定プロセスを拡張し、車両がより広い範囲の可能な協調的相互作用を活用できるようにする。 提案手法は,多数の潜在的目標車両の分析を必要とせず,計算コストを低く抑えながら,複数目標の操作調整が大幅に増加し,調整が成功していることを示す。 これらの改善は、早期の操作開始を可能にしながら、調整成功率を維持する。

関連論文リスト

• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• A Human-Oriented Cooperative Driving Approach: Integrating Driving Intention, State, and Conflict [50.983743505985956]
  我々は,より自然で効果的な人間-車間相互作用を確立するために,Human-Oriented Cooperative Driving (HOCD) アプローチを提案する。 実装においては、シームレスな人車連携を確保するため、戦術レベルと運用レベルを考慮に入れます。 他の協調運転法と比較して,提案手法は運転性能を著しく向上し,人間と機械の衝突を緩和する。
  論文  参考訳（メタデータ） (2025-12-29T05:51:00Z)
• CooT: Learning to Coordinate In-Context with Coordination Transformers [10.888155149916967]
  コーディネーション・トランスフォーマー(Coordination Transformers, Coot)は、目に見えないパートナーに迅速に適応する、コンテキスト内協調フレームワークである。 cootは、人口ベースアプローチ、勾配ベースの微調整、メタRLにインスパイアされたコンテキスト適応方法など、ベースラインを一貫して上回る。 対照的に、cootは安定かつ迅速なインコンテクスト適応を実現し、人間の評価において最も効果的なコラボレータである。
  論文  参考訳（メタデータ） (2025-06-30T06:45:39Z)
• CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
  CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。 3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
  論文  参考訳（メタデータ） (2024-11-07T13:08:04Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Real-time Cooperative Vehicle Coordination at Unsignalized Road Intersections [7.860567520771493]
  信号のない道路交差点での協調作業は、連結車両と自動車両の安全運転交通スループットを向上させることを目的としている。 我々はモデルフリーなマルコフ決定プロセス(MDP)を導入し、深層強化学習フレームワークにおける双遅延Deep Deterministic Policy(TD3)に基づく戦略によりそれに取り組む。 提案手法は, 準定常調整シナリオにおいて, ほぼ最適性能を達成し, 現実的な連続流れの制御を大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-03T02:56:02Z)

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。