論文の概要: Causality-Based Parametric Control Barrier Function for Safe Multi-Vehicle Interaction
- arxiv url: http://arxiv.org/abs/2606.25134v1
- Date: Tue, 23 Jun 2026 20:06:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.135345
- Title: Causality-Based Parametric Control Barrier Function for Safe Multi-Vehicle Interaction
- Title（参考訳）: 安全多車間相互作用のための因果性に基づくパラメトリック制御バリア機能
- Authors: Yiwei Lyu, Caleb Chang, John M. Dolan,
- Abstract要約: 我々は,エゴ車両が学習した予測で周囲の車両に安全に反応できる適応型安全クリティカルコントローラを提案する。
マルチサイクルシステム間での動作柔軟性を活用することにより,タスク効率を大幅に向上できることを実証した。
- 参考スコア（独自算出の注目度）: 30.96105928488279
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Safe control has been widely studied in various safety-critical applications, for instance, autonomous driving. In order to ensure the autonomous vehicle does not collide with other vehicles, it is essential to obtain an accurate expectation of surrounding vehicles' behavior and react adaptively. Instead of assuming fully cooperative and homogeneous vehicles using the same safety-critical controllers, recent works have been exploring different data-driven approaches to model the neighboring vehicles' underlying controllers with observed data. However, existing works either suffer from 1) the inter-vehicle influence during the multi-vehicle interaction, which makes it hard to determine the causality of surrounding vehicles' behavior in controller modeling, or 2) being dominated by the worst-case analysis, which may lead to overly conservative behavior. In this paper, we extend the prior work on Parametric-Control Barrier Function (Parametric-CBF) to multi-robot interactions with embedded causality inference to explicitly reason over the inter-vehicle influence. Given the learned Causality-based Parametric-CBF, we present an adaptive safety-critical controller that allows the ego vehicle to safely react to surrounding vehicles with the learned expectation. We demonstrate that by leveraging the motion flexibility among multi-vehicle systems, task efficiency can be greatly improved in various interaction-intensive scenarios.
- Abstract（参考訳）: 安全制御は、例えば自動運転など、様々な安全クリティカルな応用で広く研究されている。
自動運転車が他の車両と衝突しないようにするためには、周囲の車両の挙動を正確に予測し、適応的に反応することが不可欠である。
同じ安全クリティカルな制御装置を使って完全に協調的で均質な車両を仮定する代わりに、最近の研究は、近隣の車両の基盤となるコントローラを観測データでモデル化するための異なるデータ駆動アプローチを模索している。
しかし、現存する作品が苦しむか、あるいは苦しむかのどちらかである。
1 多車間相互作用における車間影響は、周囲の車両の挙動の因果性を決定することが困難である。
2) 最悪のケース分析が支配的であり, 過度に保守的な行動を引き起こす可能性がある。
本稿では,Parametric-Control Barrier Function(Parametric-CBF)に関する先行研究を,組込み因果推論によるマルチロボットインタラクションに拡張し,車間影響を明示的に推論する。
学習した因果性に基づくパラメトリックCBFを考慮し、エゴ車両が学習した期待に応じて周囲の車両に安全に反応できるようにする適応型安全クリティカルコントローラを提案する。
マルチサイクルシステム間での動作の柔軟性を活用することで、タスク効率が様々な相互作用集約シナリオで大幅に向上できることを実証する。
関連論文リスト
- Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - Map-Agnostic And Interactive Safety-Critical Scenario Generation via Multi-Objective Tree Search [7.691544372846608]
本稿では,モンテカルロ木探索による交通流レベルの安全クリティカルシナリオ生成のための新しいフレームワークを提案する。
探索効率とリスク逆決定のバランスをとるために, ハイブリッドな上信頼境界 (UCB) と下信頼境界 (LCB) 探索戦略を導入する。
香港の複雑な都市環境における4つの高リスク事故帯にまたがるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-04T12:19:02Z) - Formal Safety Guarantees for Autonomous Vehicles using Barrier Certificates [0.1019561860229868]
この研究は、コネクテッド・アンド・オートマチック・ビークルズのための公式に認証された安全フレームワークを開発する。
Barrier(BC)と解釈可能なトラフィック競合メトリクス、特に時間対時間安全メトリクスを統合している。
このアプローチは、解釈可能な安全保証と証明可能な安全保証の両方を提供し、安全な自動運転のための実用的でスケーラブルな戦略を実証する。
論文 参考訳（メタデータ） (2026-01-08T19:44:13Z) - D4+: Emergent Adversarial Driving Maneuvers with Approximate Functional Optimization [3.763470738887407]
我々は、自動運転車と相互作用する悪意のあるドライバーの影響を特定するために、形式的な手法でシナリオベースのフレームワークを実装した。
われわれの結果は、悪質なドライバーが現代の車両の自律的機能を利用するのを防ぐ安全な運転行動の範囲をデザイナーが特定するのに役立つ。
論文 参考訳（メタデータ） (2025-05-20T05:22:03Z) - Control-ITRA: Controlling the Behavior of a Driving Model [14.31198056147624]
エージェントの動作に影響を与える制御ITRAと呼ばれる手法を,ウェイポイントの割り当てと目標速度の変調によって導入する。
本手法は, 可制御性, 無屈折性トラジェクトリを生成できると同時に, 視界と見えない位置の両方でリアリズムを保ち得ることを示す。
論文 参考訳（メタデータ） (2025-01-17T03:35:11Z) - A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。
我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。
本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
論文 参考訳（メタデータ） (2024-11-21T21:23:46Z) - 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) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳（メタデータ） (2023-11-11T07:26:47Z) - Studying Person-Specific Pointing and Gaze Behavior for Multimodal
Referencing of Outside Objects from a Moving Vehicle [58.720142291102135]
物体選択と参照のための自動車応用において、手指しと目視が広く研究されている。
既存の車外参照手法は静的な状況に重点を置いているが、移動車両の状況は極めて動的であり、安全性に制約がある。
本研究では,外部オブジェクトを参照するタスクにおいて,各モダリティの具体的特徴とそれら間の相互作用について検討する。
論文 参考訳（メタデータ） (2020-09-23T14:56:19Z)
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。