Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following

要約

この論文では、有限のデモンストションに基づいて、感覚運動制御タスクで人間の知覚と制御のモデルを学習するための一般的な推定方法を紹介します。
モデルの構造は、コントロールアクションの結果として環境と関連する観察がどのように進化するかについてのエージェントの内部表現と、観察可能な結果よりもエージェントの好みを構成しています。
積極的な推論、人間の知覚の理論と認知科学の行動と一致するモデルの構造仕様を考慮します。
アクティブな推論によれば、エージェントは世界に作用して、エージェントの現在の感覚観測が好ましい感覚観測と異なる程度の尺度として定義された驚きを最小限に抑えるように作用します。
環境のエージェントのモデルの統計精度をパラメーター化する以前の分布の構造的仮定に依存する推定に対する双レベルの最適化アプローチを提案します。
提案された方法論を説明するために、自然主義的なデータセットに基づいて、自動車中の動作のモデルの推定を提示します。
全体として、結果は、データからの人間の知覚と制御の積極的な推論モデルを学習することが、ドライビングのブラックボックスモデルの有望な代替手段であることを示しています。

要約(オリジナル)

In this paper we introduce a general estimation methodology for learning a model of human perception and control in a sensorimotor control task based upon a finite set of demonstrations. The model’s structure consists of i the agent’s internal representation of how the environment and associated observations evolve as a result of control actions and ii the agent’s preferences over observable outcomes. We consider a model’s structure specification consistent with active inference, a theory of human perception and behavior from cognitive science. According to active inference, the agent acts upon the world so as to minimize surprise defined as a measure of the extent to which an agent’s current sensory observations differ from its preferred sensory observations. We propose a bi-level optimization approach to estimation which relies on a structural assumption on prior distributions that parameterize the statistical accuracy of the human agent’s model of the environment. To illustrate the proposed methodology, we present the estimation of a model for car-following behavior based upon a naturalistic dataset. Overall, the results indicate that learning active inference models of human perception and control from data is a promising alternative to black-box models of driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google