論文の概要: Neuro-Memory Fuzzy Inference System for Mimicking Human-like Car Following Behavior
- arxiv url: http://arxiv.org/abs/2610.11252v1
- Date: Thu, 08 Oct 2026 04:56:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.810946
- Title: Neuro-Memory Fuzzy Inference System for Mimicking Human-like Car Following Behavior
- Title（参考訳）: 自動車追従動作を模倣する神経記憶ファジィ推論システム
- Abstract要約: ニューロメモリファジィ推論システム(Neuro-Memory Fuzzy Inference System、NeMeFIS)は、車内のアクセラレーションと減速を非対称にモデル化する階層型機械学習アーキテクチャである。
NeMeFISは、様々な種類の車両のためのアーテリアル、コレクター、農村ハイウェイの廊下に潜伏する認知的影響を明らかにしている。
訓練されたNeMeFISモデルは、現実的な運転行動を再現する従来の統計モデルと従来の機械学習モデルより優れている。
- 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: This study presents the Neuro-Memory Fuzzy Inference System (NeMeFIS), a hierarchical machine learning architecture that asymmetrically models acceleration and deceleration in car following behavior by integrating five human memory types procedural, working, episodic, semantic, and declarative. By linking external variables to memory functions via metaheuristics and validating them through factor and p-value analyses, NeMeFIS uncovers latent cognitive influences across Arterial, Collector, and Rural Highway corridors for different types of vehicles. Results from 54 different trained models emphasize cognitive thresholds shaped by driver perception limits and cognitive load. The trained NeMeFIS models outperform traditional statistical and conventional machine learning models in replicating realistic driving behavior, including comparisons with Linear Regression, ANFIS, and LSTM architectures. Fuzzy rule analysis reveals that declarative memory demands the highest rule, especially during deceleration, indicating complex braking decisions. Procedural memory drives acceleration, while semantic and declarative memory guide deceleration. Risk perception also emerges as a key factor, particularly on urban roads. Validated on both heterogeneous and homogeneous datasets, NeMeFIS offers a robust framework for modeling driver cognition. The findings support psychotherapeutic applications and the development of adaptive, human-like decision systems in Connected and Autonomous Vehicles (CAVs) to enhance traffic safety.
- Abstract（参考訳）: 本研究では,自動車の追従行動の加速と減速を非対称にモデル化する階層型機械学習アーキテクチャNeMeFIS(Neuro-Memory Fuzzy Inference System)を提案する。
外部変数をメタヒューリスティックス(Metaheuristics)を介してメモリ関数にリンクし、因子およびp値分析を通じてそれらを検証することにより、NeMeFISは、さまざまな種類の車両に対して、動脈、コレクター、農村ハイウェイの廊下に潜伏する認知的影響を明らかにする。
54の異なる訓練モデルの結果は、ドライバーの認識限界と認知負荷によって形成される認知しきい値を強調する。
トレーニングされたNeMeFISモデルは、線形回帰、ANFIS、LSTMアーキテクチャとの比較を含む現実的な運転行動の再現において、従来の統計的および従来の機械学習モデルよりも優れている。
ファジィルール分析は、宣言的メモリは特に減速時に最も高いルールを必要とし、複雑なブレーキ決定を示すことを示している。
手続き型メモリはアクセラレーションを駆動し、セマンティクスと宣言型メモリガイドは減速する。
リスク認識は、特に都市道路において重要な要素として現れる。
異種データセットと同種データセットの両方で検証されたNeMeFISは、ドライバ認識をモデリングするための堅牢なフレームワークを提供する。
この結果は、精神療法の応用と、交通安全を高めるためにコネクテッド・アンド・オートマチック・ビークルズ(CAV)における適応的人間的な意思決定システムの開発を支援する。
関連論文リスト
- Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception [0.0]
高度な運転支援システムのためのマルチタスク学習では、運転者の内部状態と外部交通環境の間の複雑な相互作用をモデル化する必要がある。
本稿では,認知科学を基盤としたマルチタスク学習フレームワークCauPsiを提案する。
CauPsi の平均精度は 82.71% であり、パラメータは 5.05M しかなく、全体の作業量が +1.0% を超える。
論文 参考訳（メタデータ） (2026-04-08T23:33:33Z) - 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) - A Driving Regime-Embedded Deep Learning Framework for Modeling Intra-Driver Heterogeneity in Multi-Scale Car-Following Dynamics [5.579243411257874]
本稿では、離散駆動方式を車体運動予測に組み込む新しいデータ駆動型自動車追従フレームワークを提案する。
提案したハイブリッドディープラーニングアーキテクチャは、離散運転系統分類のためのGated Recurrent Unitsと、連続的キネマティック予測のためのLong Short-Term Memory Networkを組み合わせたものである。
このフレームワークはアクセラレーションの予測誤差を著しく減らし(最大MSE改善は58.47%に達した)、速度と距離を計測し、重要な交通現象を再現する。
論文 参考訳（メタデータ） (2025-06-06T09:19:33Z) - 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) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Enhancing Understanding of Driving Attributes through Quantitative
Assessment of Driver Cognition [0.0]
本稿では,運転者の脳波データをシミュレーション運転テストで解析するための新しい手法を提案する。
我々は,脳の非線形力学のマーカーとしてハースト指数,シャノンエントロピー,フラクタル次元に着目した。
論文 参考訳（メタデータ） (2023-11-03T12:40:12Z) - Estimating Driver Personality Traits from On-Road Driving Data [1.4330510916280879]
本稿では,運転支援システムにおける運転データを用いた運転者の心理的特徴の推定に焦点をあてる。
本研究では,認知機能,心理的運転スタイル,作業負荷感などのドライバの心理的特徴を推定するモデルを構築した。
論文 参考訳（メタデータ） (2023-02-09T20:46:46Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z)
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。