TL;DR
- v2 نوع اعلام:.
- جایگزین چکیده:.
- وسایل نقلیه رانندگی خودمختار (AD) هنوز برای نشان دادن رفتاری شبیه انسان در سناریوهای ترافیکی بسیار پویا و.
چه اتفاقی افتاد
v2 نوع اعلام:. جایگزین چکیده:.
وسایل نقلیه رانندگی خودمختار (AD) هنوز برای نشان دادن رفتاری شبیه انسان در سناریوهای ترافیکی بسیار پویا و. تعاملی تلاش میکنند.
چالش کلیدی در توانایی محدود AD برای تعامل با وسایل نقلیه اطراف نهفته است که عمدتاً به دلیل. عدم درک مکانیسمهای اساسی تعامل اجتماعی است.
برای پرداختن به این موضوع،. MPCFormer را معرفی میکنیم،.
یک رویکرد رانندگی خودمختار آگاه اجتماعی با پویاییهای تعامل اجتماعی همراه با اطلاعات فیزیک و داده محور. در این مدل،.
دینامیک به صورت یک نمایش حالت-فضای گسسته فرموله میشود،. که مقدمات فیزیک را برای افزایش قابلیت توضیح مدلسازی تعبیه میکند.
ضرایب دینامیک از دادههای رانندگی طبیعی از طریق معماری رمزگذار-رمزگشا مبتنی بر ترانسفورماتور آموخته میشود. تا جایی که ما میدانیم،.
MPCFormer اولین رویکردی است که بهطور صریح مدل سازی میکند پویایی تعاملات اجتماعی چند وسیله نقلیه پویاییهای. تعامل اجتماعی آموختهشده،.
برنامهریز را قادر میسازد تا هنگام تعامل با ترافیک اطراف،. رفتارهای انسانمانندی ایجاد کند.
با استفاده از چارچوب MPC،. این رویکرد خطرات بالقوه ایمنی را که معمولاً با روشهای صرفاً مبتنی بر یادگیری مرتبط است،.
کاهش میدهد. ارزیابی حلقه باز روی مجموعه داده NGSIM نشان میدهد که MPCFormer به آگاهی تعامل اجتماعی برتر دست مییابد.
و کمترین خطاهای پیشبینی مسیر را در مقایسه با سایر رویکردهای پیشرفته بهدست میآورد. این پیشبینی در یک افق پیشبینی طولانی 5 ثانیه به ADE کمتر از 0.
86 متر میرسد. آزمایشهای حلقه بسته در سناریوهای تعامل بسیار شدید،.
که در آن تغییرات خط متوالی برای خروج از رمپ لازم است،. اثربخشی MPCFormer را بیشتر تأیید میکند.
نتایج نشان میدهد که MPCFormer به بالاترین میزان موفقیت برنامهریزی یعنی 94. 67% دست مییابد.
راندمان رانندگی را تا 15. 75% بهبود میبخشد و نرخ برخورد را از 21.
25% به 0. 5% کاهش میدهد که از برنامه ریز مبتنی بر یادگیری تقویتی مرزی (RL) بهتر عمل میکند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.