論文の概要: Quantum-Inspired Modeling of Driving Behavior
- arxiv url: http://arxiv.org/abs/2608.25907v1
- Date: Wed, 26 Aug 2026 15:24:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.880774
- Title: Quantum-Inspired Modeling of Driving Behavior
- Title（参考訳）: 量子インスピレーションによる運転行動のモデル化
- Abstract要約: 我々は、通常、別々に扱われる特性と部分的に扱われる特性を組み合わせた、運転行動の量子的インスピレーションによる表現を導入する。
各ドライバは、進化する密度行列として符号化され、行動の不確実性の統一表現を提供する。
従来の自動車追従モデルにコンテキスト依存パラメータを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Driver behavior is heterogeneous, context-dependent, and changes over time, and these properties shape the traffic phenomena we observe. Most models, however, fix in advance which behavioral variables interact and how. Behavior outside that form is absorbed as noise, while models flexible enough to capture it tend to lose interpretability. We introduce a quantum-inspired representation of driver behavior that combines properties usually treated separately or in part: it is continuous, probabilistic, context-dependent, history-dependent, and represents interactions among behavioral variables as learned from data. Each driver is encoded as an evolving density matrix, providing a unified representation of behavioral uncertainty, temporal evolution, and context-dependent behavioral variation. Trained without supervision on the I-24 MOTION dataset, the framework recovers three interpretable driving profiles representing three regimes: free flow, transition, and congestion. The profiles capture the behavioral range of the data and the smooth transitions drivers make between regimes as conditions change. The same representation also reproduces known macroscopic phenomena, aligning with the fundamental diagram and reproducing hysteresis loops. We also show how the representation supports practical use: it supplies context-dependent parameters to classical car-following models, and gives an autonomous vehicle a live behavioral read of the surrounding drivers with a short-horizon forecast of their motion. The framework points toward models of traffic that are interpretable and trustworthy by construction. We release an open-source toolkit on GitHub (https://github.com/mselayan/quantum-driver-representation) spanning data processing, training, inference, and analysis.
- Abstract（参考訳）: ドライバの振る舞いは異質であり、コンテキストに依存し、時間とともに変化します。
しかし、ほとんどのモデルは、どの振る舞い変数が相互作用するか、どのように相互作用するかを事前に修正する。
その形態の外での振る舞いはノイズとして吸収されるが、それを捉えるのに十分なフレキシブルなモデルは解釈可能性を失う傾向がある。
データから学習した行動変数間の相互作用を連続的,確率的,文脈依存的,歴史依存的に表現する。
各ドライバは、進化する密度行列として符号化され、行動の不確実性、時間的進化、文脈に依存した行動変動の統一的な表現を提供する。
I-24 MoTIONデータセットを監督せずにトレーニングされたこのフレームワークは、フリーフロー、トランジション、混雑という3つの状態を表す解釈可能な3つの駆動プロファイルを復元する。
プロファイルはデータの振る舞い範囲を捉え、条件が変わるにつれてドライバーがレギュラー間で行うスムーズなトランジションをキャプチャする。
同じ表現は既知のマクロ現象を再現し、基本図と整列し、ヒステリシスループを再現する。
従来の自動車追従モデルにコンテキスト依存パラメータを供給し、自動運転車が周囲のドライバーの動作を短時間に予測することで、周囲のドライバーの行動を読み取ることを可能にする。
このフレームワークは、建設によって解釈可能で信頼できるトラフィックのモデルを指している。
データ処理、トレーニング、推論、分析を対象とするオープンソースツールキットをGitHub(https://github.com/mselayan/quantum-driver-representation)でリリースしています。
関連論文リスト
- CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。
本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
論文 参考訳（メタデータ） (2026-06-12T03:11:06Z) - From Packets to Patterns: Interpreting Encrypted Network Traffic as Longitudinal Behavioral Signals [2.8540604709894972]
我々は、暗号化されたスマートフォンネットワークトラフィックが、睡眠、ストレス、孤独に関連する行動パターンを受動的にキャプチャできるかどうかをテストする。
ユーザ毎のアダプタを用いたトランスフォーマーバックボーンを用いて,行動構造をモデル化する。
異なる行動パターンに対応する行動特徴を抽出するために,スパースオートエンコーダを適用した。
論文 参考訳（メタデータ） (2026-05-02T21:40:07Z) - Behavioral Heterogeneity as Quantum-Inspired Representation [0.0]
本稿では,各ドライバを,構造的数学的特性を持つ密度行列として提示した遅延状態としてモデル化する量子インスピレーションド表現を提案する。
実験的な運転データである第3世代データについて,運転プロファイルの抽出と分析を行った。
論文 参考訳（メタデータ） (2026-03-24T02:48:18Z) - Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories [4.250936281629339]
本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。
我々は,信号化交差点での放電,車追従,車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。
その結果, PHX の挙動は WOMD の行動エンベロープの外側にあることが明らかとなった。
論文 参考訳（メタデータ） (2025-09-03T17:56:46Z) - Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior [19.229274803939983]
我々は、運転動作を異なるIDMパラメータセットで制御できるレギュラースイッチングフレームワークを導入する。
IDM力学を用いたファクショナル隠れマルコフモデルを用いてフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2025-06-17T17:55:42Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - On Learning the Tail Quantiles of Driving Behavior Distributions via
Quantile Regression and Flows [13.540998552232006]
本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。
この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。
我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
論文 参考訳（メタデータ） (2023-05-22T15:09:04Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - 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) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳（メタデータ） (2020-07-23T14:31:25Z)
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。