Abstrakt
"Autonoma fordon för avsikten att mänskligt beteende av de uppskattade trafikdeltagarna och deras interaktion är det största problemet i automatiska körsystem. Klassisk kognitiv teori antar att beteendet hos deltagare i människotrafik är helt rimligt när man studerar uppskattning av avsikt och interaktion. Men enligt kvantkognitions- och beslutsteorin samt praktiska trafikfall är mänskligt beteende inklusive trafikbeteende ofta orimligt, vilket strider mot klassisk kognition och beslutsteori. Baserat på den kvantkognitiva teorin studerar denna artikel det kognitiva problemet med övergångsställen. Genom fallanalysen är det bevisat att den kvantliknande Bayesian (QLB) modellen kan överväga rimligheten hos fotgängare när de korsar gatan jämfört med den klassiska sannolikhetsmodellen, vilket är mer överensstämmande med den faktiska situationen. Experimentet med banförutsägelse bevisar att QLB-modellen kan täcka kanthändelserna i interaktiva scener jämfört med den datadrivna Social-LSTM-modellen, vilket är mer överensstämmande med den verkliga banan. Det här dokumentet ger en ny referens för forskningen om det kognitiva problemet med avsikter om begränsat rationellt beteende hos deltagare i människotrafik vid autonom körning."
Källa: https://semiengineering.com/research-on-quantum-cognition-in-autonomous-driving/
