چکیده
تفسیر نادرست قصد در طول تعاملات خودرو، به شکستهای مکرر برنامهریزی منجر میشود. ما یک لایهٔ تصمیمگیری را بررسی میکنیم که در آن یک ماژول قصد هدایتشونده با زبان، توصیفگرهای ساختاریافته را میخواند، یک امتیاز واگرایی هندسیِ هموارشدهٔ قصد را محاسبه میکند، و مانور برنامهریزیشده را پیش از تعهد، در بالادستِ پوشش کریدور، دروازهبندی مینماید. در یک خروج جادهای بازپخششده و چهار کلیپ تصادف، تحت یک پیادهسازی منجمد و افشاشده، دروازهبندی تنها لایهای است که برنامه را ترمیم میکند: در مورد اصلی، این مکانیزم ۷۲ میلیثانیه پس از آغاز رانش اما ۱۶۱ میلیثانیه پیش از خروج از کریدور فعال میشود و مسیر را در هر ده بازپخش، درون کریدور نگه میدارد. اولین کالیبراسیون در هر ۵٫۹ دقیقه، نه فعالسازی کاذب ایجاد میکند، که هر یک از نمرههای عدم قطعیت بهعنوان نیمی از یک تعارضِ ناشیشده بروز میکنند؛ یک بازطراحی از پیش ثبتشده که عدم قطعیت را بهمثابهٔ خودداری (abstention) تفسیر میکند، این مقدار را به ۰٫۳۴۱ در دقیقه کاهش میدهد. دو ابلیشن، نقش مدل را محدود میکنند: امتیاز کامل، در چهار مورد از پنج شکستِ شرایطِ واجد شرایطِ مستقر، سریعترین تشخیص را ارائه میدهد و در سه مورد از پنج مورد، در برابر قاعدهٔ فاقد حق وتو عمل میکند (۰۰۰۸۷۱ با یک چرخه؛ ۰۰۰۲۲۸ با یک فعالسازی پیش از آغاز رخداد، بر روی بازهای نامطمئن که پنج کلیپ قادر به طبقهبندی آن بهعنوان سیگنال یا تصادف نیستند؛ حذف جملهٔ اطمینان، دو تشخیص را از دست میدهد)، در حالی که در مسیرهای درونحوزه با نرخ مثبت کاذب برابر، قاعدهٔ هندسی بیش از سه برابر نرخ تشخیص خود را افزایش میدهد. شواهد از مکانیزم دروازهبندی حمایت میکنند؛ نقشهای اثباتشدهٔ مدل عبارتاند از سریعترین تشخیص در این شکستها، و یک وتوی عدم قطعیت بر قاعدهٔ هندسی.
متن کامل
**علوم کامپیوتر > رباتیک**
arXiv:2608.26074v1 [cs] [ارسال شده در ۲۶ آگوست ۲۰۲۶]
**عنوان:** دریچهبندی پیش از تعهد: پیشبینی واگرایی قصد برای جلوگیری از شکستهای تصمیمگیری پس از تعامل در رانندگی خودران
**نویسندگان:** Cong Xu، Ravi Sankar
[مشاهده نسخه PDF مقاله با عنوان «دریچهبندی پیش از تعهد: پیشبینی واگرایی قصد برای جلوگیری از شکستهای تصمیمگیری پس از تعامل در رانندگی خودران»، نوشته Cong Xu و Ravi Sankar]
[مشاهده PDF]
[HTML (آزمایشی)]
**چکیده:** تفسیر نادرست قصد در طول تعاملات میان خودروها، به شکستهای مکرر در برنامهریزی منجر میشود. در این مقاله، یک لایه تصمیمگیری را بررسی میکنیم که در آن یک ماژول قصد هدایتشده با زبان، توصیفگرهای ساختاریافته را میخواند، یک امتیاز واگرایی هندسه-قصد هموارسازیشده محاسبه میکند، و مانور برنامهریزیشده را پیش از تعهد، بالادستِ پوشش کریدوری، دریچهبندی میکند. در بازپخش یک حرکت خروج از جاده و چهار کلیپ تصادف، تحت یک پیادهسازی ثابت و آشکار، دریچهبندی تنها لایهای است که برنامه را ترمیم میکند: در مورد اصلی، ۷۲ میلیثانیه پس از آغاز انحراف فعال میشود، اما ۱۶۱ میلیثانیه پیش از خروج از کریدور، و مسیر را در هر ده بازپخش در داخل کریدور نگه میدارد. کالیبراسیون اولیه ۹ مثبت کاذب در ۵.۹ دقیقه تولید میکند که هر یک از عدم قطعیت امتیازدهی بهعنوان نیمی از یک تعارض نشئت میگیرد؛ بازطراحی ثبتشده پیشین که عدم قطعیت را بهصورت خودداری تفسیر میکند، این میزان را به ۰٫۳۴۱ در دقیقه کاهش میدهد. دو حذفگذاری سهم مدل را محدود میکنند: امتیاز کامل در چهار مورد از پنج شکست تحت شرط واجد بودن، سریعترین تشخیص را ارائه میدهد، و سه مورد از پنج در برابر قانون بدون وتو شکست میدهد (۰٫۰۰۰۸۷۱ در یک سیکل؛ ۰٫۰۰۰۲۲۸ با شلیک پیش از شروع در بازهای نامطمئن که پنج کلیپ نمیتواند آن را بهعنوان سیگنال یا تصادف طبقهبندی کند؛ حذف جمله اطمینان، دو تشخیص را از دست میدهد)، در حالی که در مسیرهای دروندامنه با نرخ مثبت کاذب یکسان، قانون هندسی بیش از سه برابر تشخیصهای خود را افزایش میدهد. شواهد از مکانیسم دریچهبندی پشتیبانی میکنند؛ نقشهای نشاندادهشده مدل، سریعترین تشخیص در این شکستها، و وتوی عدم قطعیت بر قانون هندسی است.
**توضیحات:** —
**موضوعات:** رباتیک (cs.RO)؛ هوش مصنوعی (cs.AI)
**استناد به:** arXiv:2608.26074 [cs.RO] (یا arXiv:2608.26074v1 [cs.RO] برای این نسخه)
https://doi.org/10.48550/arXiv.2608.26074
[بیشتر بدانید]
[انتشار DOI از طریق DataCite (در انتظار ثبت)]
**تاریخچه ارسال**
از: Cong Xu [مشاهده ایمیل]
[v1] چهارشنبه، ۲۶ آگوست ۲۰۲۶ ۱۷:۴۲:۰۳ UTC (۶٬۲۵۴ کیلوبایت)
---
**ابزارهای کتابشناختی**
ابزارهای کتابشناختی و استناددهی
[Bibliographic Explorer] (Explorer چیست؟)
[Connected Papers] (Connected Papers چیست؟)
[Litmaps] (Litmaps چیست؟)
[scite.ai] شواهد هوشمند (شواهد هوشمند چیست؟)
**کد، دادهها، رسانهها**
کد، دادهها و رسانههای مرتبط با این مقاله
[alphaXiv] (alphaXiv چیست؟)
[پیوندهای کد]
[CatalyzeX Code Finder for Papers] (CatalyzeX چیست؟)
[DagsHub] (DagsHub چیست؟)
[Gotit.pub] (GotitPub چیست؟)
[Hugging Face] (Hugging Face چیست؟)
[ScienceCast] (ScienceCast چیست؟)
**دموها**
[Replicate] (Replicate چیست؟)
(Replicate چیست؟) Spaces نمایش/پنهانسازی Hugging Face Spaces (Spaces چیست؟) Spaces نمایش/پنهانسازی TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای پیشنهاددهنده و جستجو پیوند به Influence Flower Influence Flower (Influence Flower چیست؟) نمایش/پنهانسازی هستهی پیشنهاددهنده CORE Recommender (CORE چیست؟) نویسنده محل انتشار سازمان موضوع دربارهی arXivLabs arXivLabs: پروژههای آزمایشی با همکاری جامعه arXivLabs چارچوبی است که به همکاران اجازه میدهد تا ویژگیهای جدید arXiv را مستقیماً در وبسایت ما توسعه داده و به اشتراک بگذارند. هم افراد و هم سازمانهایی که با arXivLabs کار میکنند، ارزشهای ما را در زمینهی گشودگی، جامعه، برتری و حریم خصوصی دادههای کاربران پذیرفتهاند. arXiv متعهد به این ارزشهاست و تنها با شریکانی کار میکند که به آنها پایبند باشند. ایدهای برای پروژهای دارید که برای جامعهی arXiv ارزشافزایی کند؟ دربارهی arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده (endorse) هستند؟ | غیرفعالسازی MathJax (MathJax چیست؟)