論文の概要: Cross-Scenario Controller Parameter Transformation from Real-World Driving Data through Flow Matching

• arxiv url: http://arxiv.org/abs/2610.32719v1
• Date: Fri, 23 Oct 2026 14:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.548405
• Title: Cross-Scenario Controller Parameter Transformation from Real-World Driving Data through Flow Matching
• Title（参考訳）: フローマッチングによる実世界運転データからのクロスシナリオ制御パラメータ変換
• Abstract要約: 本稿では,適応型クルーズ制御パラメータをドライバのシナリオ・シナリオ・シナリオ・シナリオ・トランスポート問題として適用する。 我々は生成モデルをトレーニングし、ソースシナリオにおけるいくつかのデモから、これまで見られなかったドライバーの目標・シナリオ動作を予測する。
• 参考スコア（独自算出の注目度）: 0.5872014229110214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced Driver Assistance Systems have become increasingly widespread, aiming to support drivers, reduce workload, and improve traffic safety. However, many systems are rarely used because their behavior feels unnatural and does not match individual driving behavior. The growing availability of large-scale, real-world human driving data enables more human-like and driver-individual assistance functions. This paper formulates the adaptation of Adaptive Cruise Control parameters as a driver-individual scenario-to-scenario transport problem, transforming controller parameters from one driving context to another. Using flow matching, we train a generative model to predict the target-scenario behavior of previously unseen drivers from only a few demonstrations in a source scenario. We compare the approach with a linear parameter-shift baseline and evaluate flow-matching variants incorporating driver-consistent coupling, driver embeddings, and classifier-free guidance based on driving profiles extracted from trajectory data using a variational autoencoder.
• Abstract（参考訳）: アドバンストドライバ支援システムは、ドライバをサポートし、ワークロードを削減し、交通安全を改善することを目的として、急速に普及している。 しかしながら、多くのシステムは、その振る舞いが不自然に感じられ、個々の運転行動と一致しないため、滅多に使われない。 大規模で現実世界の人間の運転データを利用できるようになれば、より人間らしく、運転者の個人的補助機能を実現できる。 本稿では, 適応型クルーズ制御パラメータを運転者のシナリオ・シナリオ・シナリオ・シナリオ・トランスポート問題として適用し, 制御パラメータを運転状況から別の運転環境へ変換する。 フローマッチングを用いて、生成モデルをトレーニングし、ソースシナリオにおけるわずか数回のデモから、これまで見られなかったドライバーの目標・シナリオの振る舞いを予測する。 提案手法を線形パラメータシフトベースラインと比較し, 可変オートエンコーダを用いた軌道データから抽出した駆動プロファイルに基づいて, ドライバ-一貫性結合, ドライバ埋め込み, 分類器なし誘導を組み込んだフローマッチングのバリエーションを評価する。

関連論文リスト

• A Collaborative Multi-Modality Interaction for VLA-based End-to-End Autonomous Driving [96.81243316566764]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転の強力なパラダイムとして登場した。 マルチモーダリティインタラクションと多軌道計画と最適化を組み合わせた,堅牢なVLAベースのエンドツーエンド自動運転システムを提案する。
  論文  参考訳（メタデータ） (2026-08-21T09:06:16Z)
• 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)
• 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)
• 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)
• Looking for a better fit? An Incremental Learning Multimodal Object Referencing Framework adapting to Individual Drivers [0.0]
  自動車産業の急速な進歩により、タッチベースや音声コマンドシステムといった従来の車両のインタラクション方法は、車両外の物体を参照するなど、幅広い非運転関連のタスクには不十分である。 textitIcRegressは、オブジェクトの駆動と参照という2つのタスクに携わるドライバーの振る舞いや特徴に適応する、新しい回帰に基づく漸進的学習手法である。
  論文  参考訳（メタデータ） (2024-01-29T12:48:56Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)
• Unsupervised Driving Behavior Analysis using Representation Learning and Exploiting Group-based Training [15.355045011160804]
  運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。 現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。 時系列の圧縮表現を学習することで一貫した群を形成する。
  論文  参考訳（メタデータ） (2022-05-12T10:27:47Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。