Fugu-MT 論文翻訳(概要): Lessons Learned from Accident of Autonomous Vehicle Testing: An Edge Learning-aided Offloading Framework

論文の概要: Lessons Learned from Accident of Autonomous Vehicle Testing: An Edge Learning-aided Offloading Framework

arxiv url: http://arxiv.org/abs/2006.15382v1
Date: Sat, 27 Jun 2020 15:21:00 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 08:16:49.559992
Title: Lessons Learned from Accident of Autonomous Vehicle Testing: An Edge Learning-aided Offloading Framework
Title（参考訳）: 自動運転テストの事故から学んだ教訓--エッジ学習支援オフロードフレームワーク
Authors: Bo Yang, Xuelin Cao, Xiangfang Li, Chau Yuen, and Lijun Qian
Abstract要約: このレターでは、自動運転のためのエッジ学習ベースのオフロードフレームワークを提案する。最適化問題を定式化し、オフロード確率、プリブレーキ確率、データ品質の推論精度を最大化する。
参考スコア（独自算出の注目度）: 18.893863406330627
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This letter proposes an edge learning-based offloading framework for autonomous driving, where the deep learning tasks can be offloaded to the edge server to improve the inference accuracy while meeting the latency constraint. Since the delay and the inference accuracy are incurred by wireless communications and computing, an optimization problem is formulated to maximize the inference accuracy subject to the offloading probability, the pre-braking probability, and data quality. Simulations demonstrate the superiority of the proposed offloading framework.
Abstract（参考訳）: 本稿では、エッジサーバにディープラーニングタスクをオフロードして、遅延制約を満たしながら推論精度を向上させる、自動運転のためのエッジ学習ベースのオフロードフレームワークを提案する。遅延と推論精度は無線通信と計算によって引き起こされるので、オフロード確率、プリブレーキ確率、データ品質の推論精度を最大化するために最適化問題を定式化する。シミュレーションは、提案されたオフロードフレームワークの優位性を示す。

関連論文リスト

Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文参考訳（メタデータ） (2024-04-01T00:21:11Z)
EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文参考訳（メタデータ） (2023-11-10T18:49:53Z)
Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
論文参考訳（メタデータ） (2023-04-09T05:21:15Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Online Learning for Orchestration of Inference in Multi-User End-Edge-Cloud Networks [3.6076391721440633]
ディープラーニングのためのコラボレーション型のエッジクラウドコンピューティングは、さまざまなパフォーマンスと効率を提供する。本稿では、最適オフロードポリシーを学習する強化学習に基づく計算オフロードソリューションを提案する。我々のソリューションは、平均応答時間において、0.9%未満の精度で、最先端技術と比較して35%のスピードアップを提供する。
論文参考訳（メタデータ） (2022-02-21T21:41:29Z)
Marginally calibrated response distributions for end-to-end learning in autonomous driving [0.0]
自動運転のためのエンド・ツー・エンドの学習者は、先進的な通りのイメージから直接、瞬間的な操舵角を予測するディープニューラルネットワークである。しかし、エンド・ツー・エンドの学習者は一般的に、分布予測がトレーニング時間の大幅な増加と関連しているため、ポイント予測のみを提供する。 Klein, Nott, Smith (2021) の暗黙的コプラ・ニューラル・リニア・モデルに対する効率よく, スケーラブルな近似推定を行い, エンドツーエンド学習者の予測の不確かさを定量化する。
論文参考訳（メタデータ） (2021-10-03T17:19:12Z)
Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
本稿では,通信時間最小化問題を定式化し,解決する。最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
論文参考訳（メタデータ） (2021-07-24T11:39:17Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
Neural Non-Rigid Tracking [26.41847163649205]
我々は、新しい、エンドツーエンドの学習可能、差別化可能な非剛性トラッカーを導入する。我々は畳み込みニューラルネットワークを用いて、密度の高い通信とその信頼性を予測する。現状の手法と比較して,提案アルゴリズムは再構築性能の向上を示す。
論文参考訳（メタデータ） (2020-06-23T18:00:39Z)
Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文参考訳（メタデータ） (2020-04-04T14:16:27Z)

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。