論文の概要: STAGE: STyle-controllable Action GEneration for personalized autonomous driving
- arxiv url: http://arxiv.org/abs/2607.29517v1
- Date: Fri, 31 Jul 2026 15:17:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.7795
- Title: STAGE: STyle-controllable Action GEneration for personalized autonomous driving
- Title（参考訳）: STAGE:パーソナライズされた自動運転のためのスタイル制御可能なアクションジェネレーション
- Abstract要約: 運転スタイルは、運転中に運転者が保持する行動的嗜好を指す。
本研究では,タスク駆動のためのスタイル制御可能なアクション生成手法STAGEを開発した。
本稿では,STAGEのユニークな機能として,スタイル制御性,スタイル継続性,運転スタイルアライメント機能,運転安全性について述べる。
- 参考スコア（独自算出の注目度）: 15.187069954986343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving style refers to the behavioral preferences that drivers maintain during driving, shaped by their diverse experiences, habits, and needs, and is typically reflected in varying levels of aggressiveness. If humans choose to use autonomous driving systems, they would expect the driving style of the systems to closely resemble their own habit. However, this is challenging for current industrial autonomous driving systems. To address this, we developed a style controllable action generation method, STAGE, for driving tasks. Its training process is based on imitation learning, incorporating both style value and latent value action modality encoding. Preference learning is then used to identify the user's driving style as a continuous, monotonic style value. And to reduce the cost of human involvement in the preference training process, we also developed a set of rules to compare driving style in data pairs. Then, during inference, the user inputs the style value to control the generated action patterns, dynamically meeting the user's expectations. Using the STAGE method, we verified that the style-controlled action generation results in several typical road scenarios significantly align with human expectations. Furthermore, through comparisons between the STAGE method and various other approaches, we reveal the unique functionalities of STAGE, including its style controllability, style continuity, driving style alignment capability and driving safety. The code for this work is available at: https://github.com/CarlDegio/STAGE
- Abstract（参考訳）: 運転スタイル(英: Driving style)とは、運転中に運転者が保持する行動的嗜好のことであり、様々な経験、習慣、ニーズによって形作られ、通常様々な攻撃性に反映される。
もし人間が自律運転システムを選んだら、システムの運転スタイルは自分たちの習慣によく似ているだろう。
しかし、これは現在の産業用自動運転システムにとって難題である。
そこで我々は,タスクを駆動するためのスタイル制御可能な動作生成手法STAGEを開発した。
そのトレーニングプロセスは模倣学習に基づいており、スタイル値と潜在値アクションモダリティエンコーディングの両方を取り入れている。
優先学習は、ユーザの運転スタイルを連続した単調なスタイルの値として識別するために使用される。
また、嗜好学習プロセスにおける人間の関与コストを低減するために、データペアの運転スタイルを比較するためのルールセットを開発した。
そして、推論中、ユーザは、生成されたアクションパターンを制御するためにスタイル値を入力し、ユーザの期待を動的に満たす。
そこで,STAGE法を用いて,道路の典型的なシナリオが人間の期待と大きく一致していることを確認した。
さらに,STAGE法と他の様々な手法との比較により,STAGEのスタイル制御性,スタイル継続性,運転スタイルアライメント機能,運転安全性など,STAGEのユニークな機能を明らかにする。
この作業のコードは、https://github.com/CarlDegio/STAGE.comで公開されている。
関連論文リスト
- Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving [18.914134572789703]
Drive My Way(DMW)は、ユーザの長期的な運転習慣に合わせて、リアルタイムなユーザ指示に適応するパーソナライズされた運転フレームワークである。
DMWは、複数の現実のドライバーから収集したパーソナライズされた運転データセットからユーザ埋め込みを学び、計画中にこの埋め込みに関するポリシーを条件にします。
私たちのデータとコードはhttps://dmw-cvpr.io/.com/で公開されています。
論文 参考訳（メタデータ） (2026-03-26T17:59:54Z) - Discrete Contrastive Learning for Diffusion Policies in Autonomous Driving [18.624545462468642]
本研究では,既存の運転データから,コントラスト学習を利用して運転スタイルの辞書を抽出する手法を提案する。
我々の経験的評価は、我々のアプローチが生み出す行動が、機械学習ベースのベースライン手法よりも安全かつ人間的であることを確認した。
論文 参考訳（メタデータ） (2025-03-07T08:26:04Z) - MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - Robust Driving Policy Learning with Guided Meta Reinforcement Learning [49.860391298275616]
本稿では,ソーシャルカーの多種多様な運転方針を一つのメタ政治として訓練する効率的な方法を提案する。
ソーシャルカーのインタラクションに基づく報酬関数をランダム化することにより、多様な目的を生み出し、メタ政治を効率的に訓練することができる。
本研究では,社会自動車が学習メタ政治によって制御される環境を利用して,エゴ自動車の運転方針の堅牢性を高めるためのトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2023-07-19T17:42:36Z) - Editing Driver Character: Socially-Controllable Behavior Generation for
Interactive Traffic Simulation [29.623575243494475]
交通シミュレーションは、自動運転計画システムの評価と改善において重要な役割を果たす。
自動運転車がさまざまな対話的な交通シナリオで安全かつ効率的な操作を確実にするためには、自動運転車を反応性のあるエージェントに対して評価する必要がある。
本研究では,この目的のために社会的に制御可能な行動生成モデルを提案する。
論文 参考訳（メタデータ） (2023-03-24T06:38:42Z) - MAVERIC: A Data-Driven Approach to Personalized Autonomous Driving [7.856998585396421]
自動運転車(AV)のパーソナライゼーションは、信頼、使用、受け入れを著しく増加させる可能性がある。
特に、エンドユーザの運転スタイルとAVの運転スタイルの類似性は、エンドユーザのAV使用意欲に大きな影響を与えると仮定する。
論文 参考訳（メタデータ） (2023-01-20T14:14:49Z) - Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。
世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。
提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文 参考訳（メタデータ） (2021-05-03T05:55:30Z) - 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) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z) - Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。
提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
論文 参考訳（メタデータ） (2020-01-03T11:16:41Z)
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。