Towards Human-Like Driving: Active Inference in Autonomous Vehicle Control

要約

この論文では、脳を予測機械として概念化する神経科学に由来する理論である能動推論の適用を通じた、自動運転車 (AV) 制御への新しいアプローチを紹介します。
従来の自動運転システムは、モジュラー パイプライン、模倣学習、または強化学習に大きく依存しており、それぞれの適応性、一般化、および計算効率に固有の制限があります。
アクティブ推論は、認識とアクションのバランスをとった動的モデルを通じて予測エラー (「サプライズ」と呼ばれる) を最小限に抑えることで、これらの課題に対処します。
私たちの手法は、アクティブ推論と深層学習を統合して AV の横方向制御を管理し、シミュレートされた都市環境内で車線追従操縦を実行できるようにします。
私たちのモデルは、その単純さにもかかわらず、大規模な再トレーニングなしで限られたデータから効果的に学習して一般化し、計算需要を大幅に削減することを実証します。
提案されたアプローチは、動的なシナリオにおける AV の適応性とパフォーマンスを強化するだけでなく、生成モデルを活用して環境の変化を予測して適応することで、人間のような運転行動と密接に連携します。
CARLA シミュレーターでの広範な実験の結果は、適応性と効率の点で従来の方法を上回る有望な結果を示しており、それによって現実世界の自動運転アプリケーションにおけるアクティブ推論の可能性が前進します。

要約(オリジナル)

This paper presents a novel approach to Autonomous Vehicle (AV) control through the application of active inference, a theory derived from neuroscience that conceptualizes the brain as a predictive machine. Traditional autonomous driving systems rely heavily on Modular Pipelines, Imitation Learning, or Reinforcement Learning, each with inherent limitations in adaptability, generalization, and computational efficiency. Active inference addresses these challenges by minimizing prediction error (termed ‘surprise’) through a dynamic model that balances perception and action. Our method integrates active inference with deep learning to manage lateral control in AVs, enabling them to perform lane following maneuvers within a simulated urban environment. We demonstrate that our model, despite its simplicity, effectively learns and generalizes from limited data without extensive retraining, significantly reducing computational demands. The proposed approach not only enhances the adaptability and performance of AVs in dynamic scenarios but also aligns closely with human-like driving behavior, leveraging a generative model to predict and adapt to environmental changes. Results from extensive experiments in the CARLA simulator show promising outcomes, outperforming traditional methods in terms of adaptability and efficiency, thereby advancing the potential of active inference in real-world autonomous driving applications.

arxiv情報

著者 Elahe Delavari,John Moore,Junho Hong,Jaerock Kwon
発行日 2024-09-16 16:02:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, cs.NE, cs.RO パーマリンク