Socially Game-Theoretic Lane-Change for Autonomous Heavy Vehicle Based on Asymmetric Driving Aggressiveness
Notice bibliographique
Résumé
The existing autonomous driving systems present poor performance for heavy vehicles, and face challenges gaining acceptance from surrounding vehicles in the interactive scenarios due to the deficiency of sociality. Therefore, a socially game-theoretic decision-making method is proposed in this study. Firstly, the concept of asymmetric driving aggressiveness is introduced to construct the decision-making model, ensuring driving safety and sociality across different vehicle types. Secondly, a socialized lane-change model for autonomous heavy vehicles is proposed based on the asymmetric aggressiveness and game theory with incomplete information. Subsequently, the cooperativeness of the interactive vehicle is estimated to eliminate the uncertainty through the combination of trajectory prediction and driving environment assessment. Finally, two conventional decisionmaking models are used as benchmarks to validate the effectiveness and robustness of the proposed method using naturalistic driving data. The results demonstrate that the socially game-theoretic lane-change model can generate safe and socialized decisions by estimating the cooperativeness of interactive vehicle. Besides, the proposed method exhibits enhanced social-friendliness with minimal impact on other vehicles and excellent robustness in navigating dynamic and complex traffic environment. Despite a slight reduction in driving efficiency, it still demonstrates a better adaptability and compatibility for autonomous heavy vehicles because the depressed performances are not the primary concerns.
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 | 0,001 | 0,002 |
| 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 ».