論文の概要: Modeling Perception Errors towards Robust Decision Making in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2001.11695v2
• Date: Fri, 3 Sep 2021 06:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:46:55.812187
• Title: Modeling Perception Errors towards Robust Decision Making in Autonomous Vehicles
• Title（参考訳）: 自動運転車におけるロバスト意思決定に対する知覚誤差のモデル化
• Authors: Andrea Piazzoni, Jim Cherian, Martin Slavik, Justin Dauwels
• Abstract要約: 意思決定サブシステムが堅牢で安全な判断を下すのに十分な認識サブシステムは十分か? 自律システムの挙動に異なる種類の知覚・知覚誤差が与える影響を解析する方法を示す。
• 参考スコア（独自算出の注目度）: 11.503090828741191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sensing and Perception (S&P) is a crucial component of an autonomous system (such as a robot), especially when deployed in highly dynamic environments where it is required to react to unexpected situations. This is particularly true in case of Autonomous Vehicles (AVs) driving on public roads. However, the current evaluation metrics for perception algorithms are typically designed to measure their accuracy per se and do not account for their impact on the decision making subsystem(s). This limitation does not help developers and third party evaluators to answer a critical question: is the performance of a perception subsystem sufficient for the decision making subsystem to make robust, safe decisions? In this paper, we propose a simulation-based methodology towards answering this question. At the same time, we show how to analyze the impact of different kinds of sensing and perception errors on the behavior of the autonomous system.
• Abstract（参考訳）: 知覚と知覚(S&P)は自律システム(ロボットなど)の重要な構成要素であり、特に予期せぬ状況に反応する必要がある高度にダイナミックな環境に展開する場合に重要である。 これは、公道で自動運転車(AV)を運転する場合に特に当てはまる。 しかしながら、認識アルゴリズムの現在の評価指標は、一般的に、それぞれの精度を計測し、意思決定サブシステムへの影響を考慮しないように設計されている。 この制限は、開発者やサードパーティの評価者が重要な質問に答えるのに役立ちません。 意思決定サブシステムのパフォーマンスは、堅牢で安全な決定を下すのに十分なものなのでしょうか? 本稿では,この問題に対するシミュレーションに基づく方法論を提案する。 同時に,異なる種類のセンシングと知覚誤差が自律システムの行動に与える影響を分析する方法を示す。

関連論文リスト

• A Measure for Level of Autonomy Based on Observable System Behavior [0.0]
  観測可能な行動を用いて自律性のレベルを予測するための潜在的尺度を提案する。 また,提案手法を取り入れたアルゴリズムを提案する。 この測定とアルゴリズムは、実行時に自律システムを比較する方法に興味のある研究者や実践者にとって重要である。
  論文  参考訳（メタデータ） (2024-07-20T20:34:20Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
  本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。 このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
  論文  参考訳（メタデータ） (2024-01-08T03:06:02Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Contextual Intelligent Decisions: Expert Moderation of Machine Outputs for Fair Assessment of Commercial Driving [2.7323386266136125]
  本稿では,ドライバーの行動に対するより公平な道路安全評価手法を提案する。 知的意思決定プロセスに埋め込まれた文脈的モデレーションは、専門家の入力によって支えられている。 本研究では,因子の影響と,専門家の見解の相違を捉えるために,間隔評価型回答形式アンケートを開発した。
  論文  参考訳（メタデータ） (2022-02-20T13:48:41Z)
• Injecting Planning-Awareness into Prediction and Detection Evaluation [42.228191984697006]
  私たちは一歩後退して、現在の評価指標を批判的に評価し、タスク対応メトリクスを、デプロイされるシステムのパフォーマンスのより良い測定基準として提案します。 実世界の自律運転データとともに、実世界のシミュレーション実験により、提案したタスク認識メトリクスが結果非対称性を考慮でき、モデルのクローズドループ性能をよりよく推定できることを確認した。
  論文  参考訳（メタデータ） (2021-10-07T08:52:48Z)
• Adaptive Autonomy in Human-on-the-Loop Vision-Based Robotics Systems [16.609594839630883]
  コンピュータビジョンのアプローチは、自律ロボットシステムによって意思決定の指針として広く使われている。 特に人間が監督的な役割しか果たさないHuman-on-the-loop(HoTL)システムでは、高精度が重要です。 適応的自律性レベルに基づくソリューションを提案し,これらのモデルの信頼性の低下を検出する。
  論文  参考訳（メタデータ） (2021-03-28T05:43:10Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。