Fugu-MT 論文翻訳(概要): Explainability of Intelligent Transportation Systems using Knowledge Compilation: a Traffic Light Controller Case

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

MCRL4OR: Multimodal Contrastive Representation Learning for Off-Road Environmental Perception [28.394436093801797]
オフロード環境認識のためのマルチモーダルコントラスト表現学習手法 MCRL4OR を提案する。このアプローチは、視覚画像、移動状態、制御動作を処理するための3つのエンコーダを共同で学習することを目的としている。実験では、大規模なオフロード駆動データセットを用いてMCRL4ORを事前訓練し、オフロード駆動シナリオにおける様々な下流認識タスクに対する学習されたマルチモーダル表現を採用する。
論文参考訳（メタデータ） (2025-01-23T08:27:15Z)
Behavioral Cloning Models Reality Check for Autonomous Driving [5.021331908103135]
本稿では, 横方向制御にBC(Behavior Cloning)を用いた現状認識システムの現実的検証について述べる。データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。実験により, リアルタイムに低誤差の操舵角度を推定できることが確認された。
論文参考訳（メタデータ） (2024-09-11T12:19:38Z)
DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
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)
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)
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)
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。