論文の概要: On the Verification and Validation of AI Navigation Algorithms

• arxiv url: http://arxiv.org/abs/2101.06091v1
• Date: Fri, 15 Jan 2021 13:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 18:17:12.144858
• Title: On the Verification and Validation of AI Navigation Algorithms
• Title（参考訳）: AIナビゲーションアルゴリズムの検証と検証について
• Authors: Ivan Porres, Sepinoud Azimi, S\'ebastien Lafond, Johan Lilius, Johanna Salokannel, Mirva Salokorpi
• Abstract要約: 我々は,自律航法と衝突回避のための新しいアルゴリズムを提案する研究を行うために,系統地図研究を行う。 これらのアルゴリズムに適用した検証手法と検証手法を抽出した。 本論文では,ナビゲーションアルゴリズムを幅広く検証するための体系的シナリオベースのテスト手法を提案する。
• 参考スコア（独自算出の注目度）: 0.22509387878255815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the state of the art on to methods to verify and validate navigation algorithms for autonomous surface ships. We perform a systematic mapping study to find research works published in the last 10 years proposing new algorithms for autonomous navigation and collision avoidance and we have extracted what verification and validation approaches have been applied on these algorithms. We observe that most research works use simulations to validate their algorithms. However, these simulations often involve just a few scenarios designed manually. This raises the question if the algorithms have been validated properly. To remedy this, we propose the use of a systematic scenario-based testing approach to validate navigation algorithms extensively.
• Abstract（参考訳）: 本稿では,自律型水上船におけるナビゲーションアルゴリズムの検証と検証を行う手法の現状について検討する。 自律ナビゲーションと衝突回避のための新しいアルゴリズムを提案するため,過去10年間に発表された研究成果を体系的マッピング研究により探索し,これらのアルゴリズムに適用した検証と検証のアプローチを抽出した。 ほとんどの研究はシミュレーションを使ってアルゴリズムを検証している。 しかしながら、これらのシミュレーションは、しばしば手動で設計されたいくつかのシナリオを含む。 これはアルゴリズムが正しく検証されているかどうかという疑問を提起する。 そこで本研究では,ナビゲーションアルゴリズムを広範囲に検証するための体系的シナリオベーステスト手法を提案する。

関連論文リスト

• Stochastic Ratios Tracking Algorithm for Large Scale Machine Learning Problems [0.7614628596146599]
  古典的なSGDフレームワークにおける適応的なステップ長選択のための新しいアルゴリズムを提案する。 妥当な条件下では、アルゴリズムは十分に確立された理論的な要件に従ってステップ長を生成する。 このアルゴリズムは,手動チューニングから得られる最良ステップ長に匹敵するステップ長を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-05-17T06:22:11Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Boosting Exploration in Actor-Critic Algorithms by Incentivizing Plausible Novel States [9.210923191081864]
  Actor-critic (AC)アルゴリズムは、モデルなしの深層強化学習アルゴリズムのクラスである。 本稿では,国家の新規性の測定に基づく本質的な報酬による探索を促進する新しい手法を提案する。 可塑性新規状態のインセンティブ付き探索により、ACアルゴリズムはサンプル効率を向上し、従って訓練性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-10-01T07:07:11Z)
• Learning to generate Reliable Broadcast Algorithms [10.77039660100327]
  この研究は、Reinforcement Learningを使用して、正確で効率的なフォールトトレラントな分散アルゴリズムを生成するインテリジェントエージェントを提案する。 また,本手法により,文献で利用できるものと同等の性能で,フォールトトレラントなReliable Broadcastアルゴリズムを12,000の学習エピソードで生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-31T21:45:20Z)
• A deep learning approach for direction of arrival estimation using automotive-grade ultrasonic sensors [0.0]
  自動車級超音波センサを用いた到着方向推定のための深層学習手法を提案する。 提案手法が既存のアルゴリズムの既知の制限を克服する方法について実証した。
  論文  参考訳（メタデータ） (2022-02-25T13:43:20Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Reannealing of Decaying Exploration Based On Heuristic Measure in Deep Q-Network [82.20059754270302]
  本稿では,再熱処理の概念に基づくアルゴリズムを提案し,必要なときにのみ探索を促進することを目的とする。 我々は、訓練を加速し、より良い政策を得る可能性を示す実証的なケーススタディを実施している。
  論文  参考訳（メタデータ） (2020-09-29T20:40:00Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios [26.016292792373815]
  本稿では,検出アルゴリズムの性能向上に優れた,デジタル地図に含まれる事前知識を活用する。 このようにして、路面形状と実車線の位置誤差を除去するためには、少数の車線特徴しか必要としない。 実験の結果,提案手法は様々なシナリオに適用可能であり,20Hzの周波数でリアルタイムに動作可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-02T16:06:48Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。