論文の概要: Explainability of Intelligent Transportation Systems using Knowledge
Compilation: a Traffic Light Controller Case
- arxiv url: http://arxiv.org/abs/2007.04916v1
- Date: Thu, 9 Jul 2020 16:27:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 05:20:31.630263
- Title: Explainability of Intelligent Transportation Systems using Knowledge
Compilation: a Traffic Light Controller Case
- Title(参考訳): 知識コンパイルを用いた知的輸送システムの説明可能性:交通灯制御器ケース
- Authors: Salom\'on Wollenstein-Betech, Christian Muise, Christos G. Cassandras,
Ioannis Ch. Paschalidis, Yasaman Khazaeni
- Abstract要約: 我々は,システムの状態からコントローラの判断に説明可能性をもたらすために知識コンパイル理論を用いる。
このために、シミュレーションされた過去の状態-アクションデータを入力として使用し、状態と動作を関連付けるコンパクトで構造化された表現を構築します。
- 参考スコア(独自算出の注目度): 17.465545843569046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Usage of automated controllers which make decisions on an environment are
widespread and are often based on black-box models. We use Knowledge
Compilation theory to bring explainability to the controller's decision given
the state of the system. For this, we use simulated historical state-action
data as input and build a compact and structured representation which relates
states with actions. We implement this method in a Traffic Light Control
scenario where the controller selects the light cycle by observing the presence
(or absence) of vehicles in different regions of the incoming roads.
- Abstract(参考訳): 環境上で意思決定を行う自動コントローラの使用は広く、ブラックボックスモデルに基づくことが多い。
我々は,システムの状態からコントローラの判断に説明可能性をもたらすために知識コンパイル理論を用いる。
このために,シミュレートされた過去の状態動作データを入力として使用し,状態とアクションを関連付けたコンパクトで構造化された表現を構築する。
本手法は,道路の異なる地域で車両の存在(または不在)を観測することにより,制御器が光サイクルを選択する,交通光制御のシナリオに実装する。
関連論文リスト
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral
Planning States for Autonomous Driving [69.82743399946371]
DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。
モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。
このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
論文 参考訳(メタデータ) (2023-12-14T18:59:05Z) - LeTFuser: Light-weight End-to-end Transformer-Based Sensor Fusion for
Autonomous Driving with Multi-Task Learning [16.241116794114525]
本稿では,複数のRGB-Dカメラ表現を融合させるアルゴリズムであるLeTFuserを紹介する。
認識と制御を同時に行うためには,マルチタスク学習を利用する。
論文 参考訳(メタデータ) (2023-10-19T20:09:08Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - ADAPT: Action-aware Driving Caption Transformer [24.3857045947027]
本稿では,自律車体制御と行動の意思決定ステップごとにユーザフレンドリーな自然言語ナレーションと推論を提供する,エンド・ツー・エンドのトランスフォーマー・ベースアーキテクチャであるADAPTを提案する。
BDD-Xデータセットの実験では、自動メトリクスと人的評価の両方でADAPTフレームワークの最先端のパフォーマンスが実証されている。
実世界のアプリケーションで提案するフレームワークの実現可能性を説明するために,実車用ビデオの入力を取り入れ,アクションナレーションと推論をリアルタイムで出力する,新しい展開可能なシステムを構築した。
論文 参考訳(メタデータ) (2023-02-01T18:59:19Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Fully End-to-end Autonomous Driving with Semantic Depth Cloud Mapping
and Multi-Agent [2.512827436728378]
本稿では,エンド・ツー・エンドとマルチタスクの学習方法を用いて学習した新しいディープラーニングモデルを提案する。
このモデルは,CARLAシミュレータ上で,現実の環境を模倣するために,通常の状況と異なる天候のシナリオを用いて評価する。
論文 参考訳(メタデータ) (2022-04-12T03:57:01Z) - Self-organising Urban Traffic control on micro-level using Reinforcement
Learning and Agent-based Modelling [0.0]
この研究は、強化学習とルールベースエージェントを組み合わせた自己組織化マイクロレベル制御によるトラフィックフローの最適化に対処する。
その結果, 局所環境センサによる個別の意思決定と再学習により, マイクロレベル車両ナビゲーション制御の展開により, 移動効率が向上することが示唆された。
論文 参考訳(メタデータ) (2022-02-24T18:10:42Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - CARLA Real Traffic Scenarios -- novel training ground and benchmark for
autonomous driving [8.287331387095545]
本研究では,実世界のトラフィックに基づくCARLAシミュレータにおけるインタラクティブな交通シナリオについて紹介する。
我々は数秒間続く戦術的タスクに集中しており、これは現在の制御方法では特に困難である。
CARLA Real Traffic Scenarios(CRTS)は、自動運転システムのトレーニングとテストの場になることを意図しています。
論文 参考訳(メタデータ) (2020-12-16T13:20:39Z)
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。