論文の概要: Driving Behavior Explanation with Multi-level Fusion
- arxiv url: http://arxiv.org/abs/2012.04983v1
- Date: Wed, 9 Dec 2020 11:19:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 02:17:12.424157
- Title: Driving Behavior Explanation with Multi-level Fusion
- Title(参考訳): マルチレベル融合による運転行動説明
- Authors: H\'edi Ben-Younes and \'Eloi Zablocki and Patrick P\'erez and Matthieu
Cord
- Abstract要約: 本稿では,軌道予測モデルの振る舞いを説明する深いアーキテクチャであるBehavior Explanation with Fusionについて,BEEFを提案する。
人間の運転決定の正当化のアノテーションによって監督され、BEEFは複数のレベルから機能を融合することを学ぶ。
- 参考スコア(独自算出の注目度): 33.720369945541805
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this era of active development of autonomous vehicles, it becomes crucial
to provide driving systems with the capacity to explain their decisions. In
this work, we focus on generating high-level driving explanations as the
vehicle drives. We present BEEF, for BEhavior Explanation with Fusion, a deep
architecture which explains the behavior of a trajectory prediction model.
Supervised by annotations of human driving decisions justifications, BEEF
learns to fuse features from multiple levels. Leveraging recent advances in the
multi-modal fusion literature, BEEF is carefully designed to model the
correlations between high-level decisions features and mid-level perceptual
features. The flexibility and efficiency of our approach are validated with
extensive experiments on the HDD and BDD-X datasets.
- Abstract(参考訳): 自動運転車の活発な開発の時代において、運転システムに彼らの決定を説明する能力を与えることが重要となる。
本研究は、車両の走行時に高レベル運転説明を生成することに焦点を当てる。
本稿では,軌道予測モデルの振る舞いを説明する深いアーキテクチャであるBehavior Explanation with Fusionについて,BEEFを提案する。
BEEFは、人間の運転判断の正当化のアノテーションによって監督され、複数のレベルから機能を融合することを学ぶ。
近年の多モード融合文献の進歩を活用して、BEEFは高レベル決定特徴と中レベル知覚特徴との相関を慎重にモデル化するように設計されている。
このアプローチの柔軟性と効率性は、HDDおよびBDD-Xデータセットに関する広範な実験によって検証される。
関連論文リスト
- Improving Explainable Object-induced Model through Uncertainty for
Automated Vehicles [13.514721609660521]
最近の説明可能な自動車両(AV)は、動作の説明を提供しながら、固有の不確実性に関連する重要な情報を無視している。
本研究は、意思決定の場面におけるオブジェクトの役割を優先する「対象誘導型」モデルアプローチに基づく。
また、不確実性によって導かれる先進的なトレーニング戦略についても検討する。
論文 参考訳(メタデータ) (2024-02-23T19:14:57Z) - Beyond One Model Fits All: Ensemble Deep Learning for Autonomous
Vehicles [16.398646583844286]
本研究では,Mediated Perception, Behavior Reflex, Direct Perceptionの3つの異なるニューラルネットワークモデルを紹介する。
我々のアーキテクチャは、グローバルなルーティングコマンドを使用して、ベース、将来の潜伏ベクトル予測、補助タスクネットワークからの情報を融合し、適切なアクションサブネットワークを選択する。
論文 参考訳(メタデータ) (2023-12-10T04:40:02Z) - Reason2Drive: Towards Interpretable and Chain-based Reasoning for
Autonomous Driving [40.20124828096732]
Reason2Driveは600万以上のビデオテキストペアを備えたベンチマークデータセットである。
我々は、自律運転プロセスが知覚、予測、推論ステップの逐次的な組み合わせであると特徴付けている。
本稿では,自律システムにおける連鎖型推論性能を評価するための新しい集計評価指標を提案する。
論文 参考訳(メタデータ) (2023-12-06T18:32:33Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T18:57:42Z) - DiLu: A Knowledge-Driven Approach to Autonomous Driving with Large
Language Models [30.23228092898916]
本稿では,ReasoningとReflectionモジュールを組み合わせたDiLuフレームワークを提案する。
大規模な実験は、ダイリューが経験を蓄積し、一般化能力において大きな優位性を示す能力を証明する。
私たちの知識を最大限に活用するために、自動運転車の意思決定において知識駆動能力を活用するのは、私たちは初めてです。
論文 参考訳(メタデータ) (2023-09-28T09:41:35Z) - EnsembleFollower: A Hybrid Car-Following Framework Based On
Reinforcement Learning and Hierarchical Planning [22.63087292154406]
先進的な人間的な車追従を実現するための階層的計画枠組みを提案する。
EnsembleFollowerフレームワークには、複数の低レベルの自動車追従モデルを司法的に管理する、高レベルの強化学習ベースのエージェントが含まれている。
提案手法は,HighDデータセットから実世界の運転データに基づいて評価する。
論文 参考訳(メタデータ) (2023-08-30T12:55:02Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳(メタデータ) (2022-12-05T08:25:09Z) - MMLatch: Bottom-up Top-down Fusion for Multimodal Sentiment Analysis [84.7287684402508]
マルチモーダル融合に対する最近のディープラーニングアプローチは、ハイレベルおよびミドルレベルの潜在モダリティ表現のボトムアップ融合に依存している。
人間の知覚モデルでは、高レベルの表現が感覚入力の知覚に影響を及ぼすトップダウン融合の重要性を強調している。
本稿では,ネットワークトレーニング中のフォワードパスにおけるフィードバック機構を用いて,トップダウンのクロスモーダルインタラクションをキャプチャするニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-01-24T17:48:04Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z)
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。