Evaluating driver-pedestrian interaction behavior in different environments via Markov-game-based inverse reinforcement learning
Notice bibliographique
Résumé
The rapid advances in the technology of Autonomous Vehicles (AVs) requires effective collision avoidance systems that should be able to identify crash-risk situations and make AVs react fast. These systems can be modeled using Reinforcement Learning, where agents are assumed as rational decision-makers that take optimal decisions to achieve a goal (e.g., avoid a crash), which can be written in terms of a reward function. However, obtaining this reward function might be challenging as it deals with human behavior, and Inverse Reinforcement Learning can be implemented to recover these functions from actual road user trajectories in near-miss interactions. This approach provides reward functions that give insights into road user behavior and optimal policies that represent the best sequence of decisions to avoid a crash. However, road user behavior varies considerably depending on the traffic environment, and policies from one location might not be entirely transferable to different locations. This study utilizes Multi-agent Adversarial Inverse Reinforcement Learning (MA-AIRL) to simulate conflict trajectories of vehicle–pedestrian interactions in four different cities (i.e., Boston, Las Vegas, Pittsburgh, and Singapore). This model accounts for the competitive behavior in conflict interactions by explicitly considering that road users have an equilibrium between their intentions. Results show that the behavior is noticeably different depending on the environment. For example, the reward functions demonstrate that road users have various preferences when interacting with each other. Moreover, the MA-AIRL was reasonably able to replicate the evasive action mechanisms of drivers and pedestrians, but the accuracy of this prediction varied among the four cities, reflecting the difference in the environment. Finally, transferring agent behavior from one location to another led to increased risk levels. Therefore, to be implemented in AV collision systems, multi-agent policies should consider local behavioral characteristics as road user behavior plays a crucial role in safety.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».