A multiagent social interaction model for autonomous vehicle testing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Social interaction capability (SIC) is essential for autonomous vehicles (AVs) when they interact with surrounding vehicles, as the ability of understanding and reacting to the behaviors of other road users can significantly enhance AVs’ rapid deployment. Virtual simulation testing is a core approach for evaluating AVs, including their SIC, on the basis of traffic simulation models. However, existing simulation models focus mainly on generating accurate vehicle trajectories and do not explicitly model the high-level sociality nature of interaction decisions that guide specific movements. This study aims to address this gap by developing a multiagent simulation model for the social interaction of human driving behavior on the basis of the multiagent imitation learning (MAIL) approach, which is referred to as the Social-MAIL model. Specifically, to quantify the sociality of decisions, we introduce social value orientation into the reward function to quantify cooperation or competition intent and guide the generation of social driving behaviors. Furthermore, to fully depict the complex interaction environment, we develop a heterogeneous policy network with temporal‒spatial attention mechanisms to describe the impact of multiple interactive objects and historical states on driving behavior. Through training and validation on the SinD dataset, we demonstrate that, compared with a set of baseline models, the proposed Social-MAIL model can accurately capture complex and time-varying social intent and reproduce the most realistic vehicle trajectories and macroscopic traffic flow characteristics at intersections. Moreover, we apply the Social-MAIL model for evaluating the SIC of AVs via comparison experiments.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle