.png){kind=icon}
返回
A multiagent social interaction model for autonomous vehicle testing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.commtr.2025.100183.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社会交互能力(SIC)对自动驾驶车辆(AVs)在与周围车辆交互时至关重要，因为理解和应对其他道路使用者行为的能力可以显著提高AVs的快速部署。虚拟仿真测试是评估AVs及其SIC的核心方法，基于交通仿真模型。然而，现有仿真模型主要关注生成精确的车辆轨迹，并未明确模拟引导特定运动的高层次社会性交互决策的本质。本研究旨在通过基于多智能体模仿学习(MAIL)方法开发人类驾驶行为的社会交互多智能体仿真模型来解决这一差距，该模型被称为社会-MAIL模型。具体而言，为了量化决策的社会性，我们将社会价值取向引入奖励函数以量化合作或竞争意图并引导社交驾驶行为生成。此外，为了全面描绘复杂的交互环境，我们开发了一种具有时空注意力机制的非同质策略网络，用于描述多个交互对象和历史状态对驾驶行为的影响。通过在SinD数据集上的训练和验证，我们证明，与一组基线模型相比，所提出的社会-MAIL模型能够准确捕捉复杂且时变的社会意图，并再现交叉口处最真实的车辆轨迹和宏观交通流特性。此外，我们通过比较实验应用社会-MAIL模型来评估AVs的SIC。
Keyword:
Autonomous vehicle testing
Social interaction modeling
Multiagent imitation learning
Social value orientation
Temporal–spatial attention
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
14.5
论文数:
239
被引数:
915
机构
引用论文
Traffic performance of shared lanes at signalized intersections based on cellular automata modeling
.png){kind=icon}
PREAI
分享收藏分享收藏A deep inverse reinforcement learning approach to route choice modeling with context-dependent rewards基于上下文相关奖励的路由选择建模的深度逆强化学习方法
OAAI
OAAI分享收藏Scenario-Based Test Automation for Highly Automated Vehicles: A Review and Paving the Way for Systematic Safety Assurance高度自动化车辆的基于场景的测试自动化: 系统安全保证的回顾和铺平道路
PREAI
分享收藏分享收藏Toward Data-Driven Simulation of Network-Wide Traffic: A Multi-Agent Imitation Learning Approach Using Urban Vehicle Trajectory Data面向全网交通的数据驱动仿真: 一种使用城市车辆轨迹数据的多智能体模仿学习方法
PREAI
分享收藏分享收藏
查看更多内容