論文の概要: Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts?
- arxiv url: http://arxiv.org/abs/2006.14911v2
- Date: Wed, 2 Sep 2020 08:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 21:31:02.926238
- Title: Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts?
- Title（参考訳）: 自動運転車は分散シフトを識別し、回復し、適応できるか?
- Authors: Angelos Filos, Panagiotis Tigas, Rowan McAllister, Nicholas Rhinehart,
Sergey Levine, Yarin Gal
- Abstract要約: トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
- 参考スコア（独自算出の注目度）: 104.04999499189402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-training-distribution (OOD) scenarios are a common challenge of
learning agents at deployment, typically leading to arbitrary deductions and
poorly-informed decisions. In principle, detection of and adaptation to OOD
scenes can mitigate their adverse effects. In this paper, we highlight the
limitations of current approaches to novel driving scenes and propose an
epistemic uncertainty-aware planning method, called \emph{robust imitative
planning} (RIP). Our method can detect and recover from some distribution
shifts, reducing the overconfident and catastrophic extrapolations in OOD
scenes. If the model's uncertainty is too great to suggest a safe course of
action, the model can instead query the expert driver for feedback, enabling
sample-efficient online adaptation, a variant of our method we term
\emph{adaptive robust imitative planning} (AdaRIP). Our methods outperform
current state-of-the-art approaches in the nuScenes \emph{prediction}
challenge, but since no benchmark evaluating OOD detection and adaption
currently exists to assess \emph{control}, we introduce an autonomous car
novel-scene benchmark, \texttt{CARNOVEL}, to evaluate the robustness of driving
agents to a suite of tasks with distribution shifts.
- Abstract（参考訳）: out-of-training-distribution (ood) シナリオは、デプロイにおける学習エージェントの一般的な課題である。
原則として、OODシーンの検出と適応は、その悪影響を軽減することができる。
本稿では,新しい運転シーンに対する現在のアプローチの限界に注目し,認識的不確実性認識計画法である \emph{robust imitative planning} (rip) を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
もしモデルの不確実性が、安全な行動経路を示唆するには大きすぎる場合、モデルは、代わりにエキスパートドライバにフィードバックを問い合わせることができ、サンプル効率の良いオンライン適応を可能にする。
提案手法はnuScenes \emph{prediction}の課題において,現在最先端のアプローチよりも優れているが,OODの検出と適応を評価するベンチマークが存在しないため,分散シフトを伴うタスク群に対する駆動エージェントの堅牢性を評価するために,自律走行車ノベルシーンベンチマークである \texttt{CARNOVEL} を導入する。
関連論文リスト
- AdvDiffuser: Generating Adversarial Safety-Critical Driving Scenarios via Guided Diffusion [6.909801263560482]
AdvDiffuserは、ガイド付き拡散を通じて安全クリティカルな運転シナリオを生成するための敵対的なフレームワークである。
本稿では,AdvDiffuserが最小限のウォームアップエピソードデータを持つ様々なテストシステムに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-11T02:03:21Z) - A novel framework for adaptive stress testing of autonomous vehicles in
highways [3.2112502548606825]
高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。
衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。
提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
論文 参考訳（メタデータ） (2024-02-19T04:02:40Z) - Model Checking for Closed-Loop Robot Reactive Planning [0.0]
モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。
簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
論文 参考訳（メタデータ） (2023-11-16T11:02:29Z) - Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree [8.286351881735191]
本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
論文 参考訳（メタデータ） (2023-05-11T06:53:03Z) - Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。
ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。
ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
論文 参考訳（メタデータ） (2023-04-01T18:14:41Z) - Semi-Supervised Temporal Action Detection with Proposal-Free Masking [134.26292288193298]
PropOsal-free Temporal mask (SPOT) に基づく新しい半教師付き時間行動検出モデルを提案する。
SPOTは最先端の代替品よりも優れている。
論文 参考訳（メタデータ） (2022-07-14T16:58:47Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳（メタデータ） (2021-07-01T17:59:07Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z)
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。