論文の概要: Empirical Pedestrian Safety Assessment in a Mobile Robot Using a Predictive Social Force Model
- arxiv url: http://arxiv.org/abs/2607.09192v1
- Date: Fri, 10 Jul 2026 08:33:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 16:48:13.428784
- Title: Empirical Pedestrian Safety Assessment in a Mobile Robot Using a Predictive Social Force Model
- Title（参考訳）: 予測型社会力モデルを用いた移動ロボットにおける経験的歩行者安全評価
- Authors: Alireza Jafari, Yun-Hao Tsai, Yen-Chen Liu,
- Abstract要約: 社会力モデル(SFM)は、動的群集におけるリアルタイムロボットナビゲーションのための解釈可能なソリューションを提供する。
プロジェクテッド・タイム・トゥ・コリジョン(PTTC)のSFM変異体への統合に関する最近の調査は、安全性の指標を改善している。
有限時間地平線上での予測社会的力ベクトルの統合により,予測的SFM (PSFM) と予測的TSFM (PTSFM) を導入する。
- 参考スコア（独自算出の注目度）: 1.491109220586182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile robots are going to share the sidewalks with pedestrians. They must ensure their objective safety and respect the walkers' subjective safety/comfort. Computationally efficient Social Force Models (SFM) present interpretable solutions for real-time robot navigation in dynamic crowds. Recent explorations of Projected Time-to-collision (PTTC) integration into SFM variants, for example, PTTC-based SFM (TSFM), improve safety metrics. But the effect of predictive variants is unclear. We introduce Predictive SFM (PSFM) and Predictive TSFM (PTSFM) by integrating predicted social force vectors over a finite time horizon. The paper implements SFM, TSFM, PSFM, and PTSFM on a nonholonomic mobile robot and performs experimental trials with volunteers attending a facing scenario. We systematically study objective and subjective safety across the variants. Minimum PTTC, average speed, minimum distance, lateral distance, and the maximum trajectory curvature benchmark the objective safety. Likert scale post-interaction surveys assess subjective safety by marking comfort, smoothness, distance appropriateness, and speed suitability. We confirm that PTTC integration improves safety metrics. The prediction contribution is limited and occasionally visible in some of the sub-metrics. Some participants perceive smoother movements and safer speed behavior with predictive methods, but Mann-Whitney tests reveal no significant differences in subjective ratings. Therefore, PTTC-based navigation enhances safety, whereas the formulated prediction offers limited additional benefits in single-pedestrian scenarios.
- Abstract（参考訳）: モバイルロボットは歩道を歩行者と共有します。
彼らは客観的な安全を確保し、歩行者の主観的な安全/快適さを尊重しなければならない。
計算効率の良い社会力モデル(SFM)は、動的群集におけるリアルタイムロボットナビゲーションのための解釈可能なソリューションを提供する。
PTTC(Projected Time-to-Collision)のSFMへの統合に関する最近の調査では、例えば、PTTCベースのSFM(TSFM)は安全性の指標を改善している。
しかし、予測的変種の影響は明らかでない。
有限時間地平線上での予測社会的力ベクトルの統合により,予測的SFM (PSFM) と予測的TSFM (PTSFM) を導入する。
本研究ではSFM, TSFM, PSFM, PTSFMを非ホロノミック移動ロボットに実装し, 対面シナリオに参加するボランティアを対象に実験を行った。
客観的安全性と主観的安全性を多種多様にわたって体系的に研究する。
最小PTTC、平均速度、最小距離、横距離、最大軌道曲率のベンチマークは、目的の安全性をベンチマークする。
Likert scale post-interaction Surveysは、快適さ、滑らかさ、距離の適切さ、速度の適合性をマークすることで主観的安全性を評価する。
PTTC統合により安全性が向上することを確認した。
予測コントリビューションは限定的であり、いくつかのサブメトリクスで時々見える。
一部の被験者は、予測手法でよりスムーズな動きとより安全な速度行動を認識するが、マン・ホイットニー試験では主観的評価に有意な差は示さなかった。
したがって、PTTCベースのナビゲーションでは安全性が向上する一方、定式化された予測では、単一ペデストリアンシナリオに限定的なメリットが提供される。
関連論文リスト
- HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。
我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。
安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
論文 参考訳（メタデータ） (2026-01-29T07:15:39Z) - Parameter-Robust MPPI for Safe Online Learning of Unknown Parameters [23.009285809189056]
本稿では,オンラインパラメータ学習と安全制約を統合したフレームワークを提案する。
PRMPPIは、Stein Variational Gradient Descentを通じてパラメータに対する粒子ベースの信念を維持している。
実験では、成功率の向上、トラッキングエラーの低減、ベースラインよりも正確なパラメータ推定が示されている。
論文 参考訳（メタデータ） (2026-01-06T11:44:11Z) - Uncertainty Aware-Predictive Control Barrier Functions: Safer Human Robot Interaction through Probabilistic Motion Forecasting [13.020006323600251]
不確かさを意識した予測制御バリア関数は、制御バリア関数の正式な安全性を保証することで、確率的手の動き予測を融合させる。
UA-PCBFは、将来の人間の状態をより深く理解した協力型ロボットに力を与える。
最先端のHRIアーキテクチャとは対照的に、UA-PCBFはタスククリティカルなメトリクスでより良いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-08-28T14:11:26Z) - Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。
安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。
複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
論文 参考訳（メタデータ） (2025-08-17T23:46:36Z) - Model Predictive Control for Crowd Navigation via Learning-Based Trajectory Prediction [2.8544513613730214]
本研究は,物理的コンチネンタルコリールロボット上でのモデル予測制御(MPC)フレームワークにおける,深層学習に基づくソーシャル・インプシシット(SI)歩行者軌道予測器の統合性を評価する。
その結果、SIは軌道予測を改善し、低密度設定でエラーを最大76%削減し、混雑したシーンでの安全性と動きのスムーズさを高めている。
これらの知見はシステムレベルの評価の重要性を強調し、より安全で適応的なナビゲーションを実現するためのSI-MPCフレームワークの約束を強調している。
論文 参考訳（メタデータ） (2025-08-09T19:11:28Z) - SafeCast: Risk-Responsive Motion Forecasting for Autonomous Vehicles [12.607007386467329]
リスク応答型モーション予測モデルであるSafeCastを提案する。
安全を意識した意思決定と不確実性を意識した適応性を統合する。
我々のモデルは、軽量なアーキテクチャと低推論レイテンシを維持しながら、最先端(SOTA)の精度を実現する。
論文 参考訳（メタデータ） (2025-03-28T15:38:21Z) - 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) - 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) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。