Modelli Smooth-Mamba DRL per l'evitamento di collisioni pedonali per tipo di veicolo
Un recente studio pubblicato su arXiv (2605.28552) presenta SMamba-DDPG, un framework noto come Smooth-Mamba Deep Deterministic Policy Gradient, progettato per simulare comportamenti di evitamento di collisioni pedonali adattati a vari tipi di veicoli durante interazioni critiche di sicurezza. Utilizzando il dataset Argoverse 2, i ricercatori hanno analizzato incontri reali tra veicoli automatizzati (AV) e veicoli guidati da umani (HDV). Il framework sviluppa politiche distinte per le interazioni pedonali sia con AV che con HDV, incorporando vincoli di azione fluida insieme all'apprendimento della rappresentazione temporale. I risultati indicano che SMamba-DDPG supera i modelli tradizionali di apprendimento per rinforzo e supervisionato nella previsione accurata delle reazioni pedonali. Questa ricerca mira a migliorare l'implementazione sicura delle tecnologie di guida automatizzata riconoscendo le variazioni comportamentali verso diversi tipi di veicoli.
Fatti principali
- Il framework SMamba-DDPG modella il comportamento di evitamento di collisioni pedonali per tipo di veicolo.
- Dataset Argoverse 2 utilizzato per interazioni pedonali-veicolo critiche per la sicurezza.
- Politiche separate addestrate per incontri con AV e HDV.
- Integra vincoli di azione fluida con apprendimento della rappresentazione temporale.
- Supera i modelli di base RL e di apprendimento supervisionato.
- Studio pubblicato su arXiv con ID 2605.28552.
- Si concentra sui comportamenti reali di evitamento di collisioni.
- Mira a migliorare l'implementazione sicura dei veicoli automatizzati.
Entità
Istituzioni
- arXiv