論文の概要: Learning from Shared-Control Overrides: Context-Driven Acceleration Profile Prediction for Personalized Overtaking
- arxiv url: http://arxiv.org/abs/2609.37684v1
- Date: Tue, 29 Sep 2026 14:32:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.629889
- Title: Learning from Shared-Control Overrides: Context-Driven Acceleration Profile Prediction for Personalized Overtaking
- Title（参考訳）: 共有制御オーバライドからの学習: 個人化オーバライドのためのコンテキスト駆動加速度プロファイル予測
- Abstract要約: 本報告では,人間のループ内監視信号として動作をオーバーライドする手法について再検討する。
エンドツーエンドのレグレッションのみに頼るのではなく、ハイブリッドパイプラインの組み合わせを導入します。
このアプローチは、高い再構成忠実度を示し、潜在的なオーバーライドコンテキストにおける運転者の期待する振る舞いに傾向のある加速度プロファイルを生成する。
- 参考スコア（独自算出の注目度）: 3.2023814100005903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive Cruise Control (ACC) systems are typically calibrated for an average driver, often resulting in a mismatch between vehicle behavior and individual expectations during time-critical maneuvers such as highway overtaking. When the ACC is perceived as too conservative and inconsistent, drivers intervene through throttle overrides, providing implicit feedback on the system's behavior. This paper reframes these override actions as human-in-theloop supervisory signals and proposes a data-driven framework for personalized vehicle adaptation, termed Context-driven Personalized ACC (CoP-ACC). Rather than relying solely on end-to-end regression, which tends to over-smooth dynamic responses, we introduce a hybrid pipeline combining: (i) unsupervised hierarchical clustering to extract representative acceleration profiles from override events; (ii) a context classifier that maps pre-maneuver driving conditions to the appropriate profile; and (iii) a residual regressor that refines the selected profile into a smooth, personalized acceleration profile tailored to the immediate context. Evaluated on real-world public-road data against a withheld forced-ACC baseline, the approach demonstrates high reconstruction fidelity and generates acceleration profiles that tend toward the driver's expected behavior in potential override contexts. The results highlight the potential of learning from shared-control overrides to enable anticipatory, personalized ACC behavior, reducing manual interventions and improving ride comfort.
- Abstract（参考訳）: アダプティブ・クルーズ・コントロール(ACC)システムは、通常、平均的なドライバーに対して調整され、しばしば高速道路のオーバーテイクのような時間クリティカルな操作中に車両の挙動と個人の期待とをミスマッチさせる。
ACCが保守的で一貫性がないと認識された場合、ドライバはスロットルオーバーライドを通じて介入し、システムの振る舞いに対して暗黙のフィードバックを与える。
本稿では、これらのオーバーライド動作を人道支援信号として再構成し、コンテキスト駆動型パーソナライズACC(CoP-ACC)と呼ばれるパーソナライズされた車両適応のためのデータ駆動フレームワークを提案する。
過度にスムースな動的応答を持つエンドツーエンドのレグレッションのみに頼るのではなく、ハイブリッドパイプラインの組み合わせを導入します。
一 オーバライドイベントから代表加速度プロファイルを抽出するための教師なし階層的クラスタリング
二 空前の運転条件を適切なプロファイルにマッピングする文脈分類器
三 選択したプロファイルを即時状況に合わせてスムーズでパーソナライズされた加速度プロファイルに洗練する残留回帰器。
実世界の公道データを強制-ACCベースラインに対して評価し、高い再構成忠実度を示し、潜在的なオーバーライドコンテキストにおける運転者の期待する振る舞いに傾向のある加速度プロファイルを生成する。
結果は,予測的かつパーソナライズされたACC行動の実現,手動介入の低減,乗り心地の向上のために,共有制御オーバーライドからの学習の可能性を強調した。
関連論文リスト
- PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control [49.348182500314614]
アクションのみの拡散は直接アクションを生成するが、テスト時間運動の目的に対する明示的な将来の軌道は欠如している。
連立状態-作用拡散はこの表現を提供するが、代表コントローラはしばしば特権付きフルボディ状態に依存する。
提案するPredActorは,これらのステアリングを直接実行されるポリシに含める,予測的行動拡散ポリシである。
論文 参考訳（メタデータ） (2026-09-21T16:20:25Z) - End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
論文 参考訳（メタデータ） (2026-07-21T02:13:25Z) - From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。
敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。
実験の結果、最大40.6%のトレーニングステップが短縮された。
論文 参考訳（メタデータ） (2026-06-12T02:13:55Z) - 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) - Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - Multi-Objective Reinforcement Learning for Adaptable Personalized Autonomous Driving [9.637200409973804]
既存のエンドツーエンドの運転アプローチは、事前に定義された運転スタイルに依存したり、適応のために継続的なユーザーフィードバックを必要としたりすることが多い。
本稿では,動的・文脈依存的嗜好をサポートする自律運転のための新しい学習手法を提案する。
論文 参考訳（メタデータ） (2025-05-08T13:16:37Z) - Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。
本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-05T12:43:15Z) - 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) - EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
本研究では,データ駆動型自動車追従モデルを提案する。
本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
論文 参考訳（メタデータ） (2024-06-23T15:04:07Z) - Autonomous Driving With Perception Uncertainties: Deep-Ensemble Based Adaptive Cruise Control [6.492311803411367]
ブラックボックスDeep Neural Networks (DNN) を用いた高度な認識システムは、人間のような理解を実証する。
予測不可能な振る舞いと解釈可能性の欠如は、安全クリティカルなシナリオへの展開を妨げる可能性がある。
論文 参考訳（メタデータ） (2024-03-22T19:04:58Z)
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。