論文の概要: A Knowledge-based Approach for the Automatic Construction of Skill
Graphs for Online Monitoring
- arxiv url: http://arxiv.org/abs/2102.08827v1
- Date: Mon, 15 Feb 2021 15:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:32:47.350368
- Title: A Knowledge-based Approach for the Automatic Construction of Skill
Graphs for Online Monitoring
- Title(参考訳): オンラインモニタリングのためのスキルグラフの自動構築のための知識ベースアプローチ
- Authors: Inga Jatzkowski, Till Menzel, and Markus Maurer
- Abstract要約: 本稿では,スキルグラフ構築に関する専門知識を知識ベースに形式化し,構築プロセスを自動化することを提案する。
車両のODDのすべての変更はスキルグラフに反映され、構築されたスキルグラフの不整合とエラーが自動的に減少する。
- 参考スコア(独自算出の注目度): 0.5161531917413706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated vehicles need to be aware of the capabilities they currently
possess. Skill graphs are directed acylic graphs in which a vehicle's
capabilities and the dependencies between these capabilities are modeled. The
skills a vehicle requires depend on the behaviors the vehicle has to perform
and the operational design domain (ODD) of the vehicle. Skill graphs were
originally proposed for online monitoring of the current capabilities of an
automated vehicle. They have also been shown to be useful during other parts of
the development process, e.g. system design, system verification. Skill graph
construction is an iterative, expert-based, manual process with little to no
guidelines. This process is, thus, prone to errors and inconsistencies
especially regarding the propagation of changes in the vehicle's intended ODD
into the skill graphs. In order to circumnavigate this problem, we propose to
formalize expert knowledge regarding skill graph construction into a knowledge
base and automate the construction process. Thus, all changes in the vehicle's
ODD are reflected in the skill graphs automatically leading to a reduction in
inconsistencies and errors in the constructed skill graphs.
- Abstract(参考訳): 自動運転車は、現在持っている能力に気付く必要がある。
スキルグラフは、車両の能力とそれらの能力間の依存関係がモデル化されるアシルグラフである。
車両に必要なスキルは、車両が実行しなければならない行動と車両の運用設計領域(ODD)によって異なります。
スキルグラフは当初、自動走行車の現在の能力のオンライン監視のために提案された。
それらはまた、開発プロセスの他の部分、例えば、有用であることが示されています。
システム設計、システム検証。
スキルグラフの構築は、ガイドラインがほとんどなく、反復的で専門家ベースの手動プロセスです。
したがって、このプロセスは、特に車両の意図するODDのスキルグラフへの変更の伝播に関して、エラーや矛盾が生じやすい。
この問題を回避するために,知識ベースにスキルグラフ構築に関する専門知識を形式化し,構築プロセスを自動化することを提案する。
したがって、車両のODDのすべての変更はスキルグラフに反映され、構築されたスキルグラフにおける不整合とエラーが自動的に減少する。
関連論文リスト
- BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳(メタデータ) (2023-12-11T13:27:51Z) - Boosting Offline Reinforcement Learning for Autonomous Driving with
Hierarchical Latent Skills [37.31853034449015]
本稿では、長距離車両計画の課題を克服するために、オフラインRLを強化するスキルベースのフレームワークを提案する。
具体的には、オフラインデモからスキルを学ぶための変分オートエンコーダ(VAE)を設計する。
一般的なVAEの後方崩壊を緩和するため、2分岐シーケンスエンコーダを導入し、離散的なオプションと複雑な駆動スキルの連続的な変化をキャプチャする。
論文 参考訳(メタデータ) (2023-09-24T11:51:17Z) - Unleashing the Power of Graph Learning through LLM-based Autonomous
Agents [38.71102849652413]
本稿では,大規模言語モデル(LLM)を自律エージェントとして利用し,多様な実世界のグラフ上での学習プロセスを簡素化することを提案する。
提案手法はAuto$2$Graphと呼ばれ、異なるデータセットや学習タスクにおける同等のパフォーマンスを持つ。
論文 参考訳(メタデータ) (2023-09-08T19:34:29Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳(メタデータ) (2023-08-25T15:25:57Z) - GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。
我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。
その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
論文 参考訳(メタデータ) (2022-05-22T11:57:08Z) - Automated Graph Machine Learning: Approaches, Libraries and Directions [81.21692888288658]
我々は、グラフ機械学習のためのHPOとNASをカバーする自動グラフマシンアプローチについて論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
本論文は,自動グラフ機械学習のためのアプローチ,ライブラリ,方向性に関する,最初の体系的かつ包括的な議論である。
論文 参考訳(メタデータ) (2022-01-04T18:31:31Z) - AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。
AutoGLはオープンソースで、使いやすく、拡張も柔軟です。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文 参考訳(メタデータ) (2021-04-11T10:49:23Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳(メタデータ) (2021-04-07T14:31:08Z) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳(メタデータ) (2021-03-01T04:20:33Z) - An Improved Deep Convolutional Neural Network-Based Autonomous Road
Inspection Scheme Using Unmanned Aerial Vehicles [12.618653234201089]
この研究は、改良された畳み込みニューラルネットワーク(CNN)モデルであり、道路のクラック、ポットホール、黄色のレーンを検出するための実装である。
黄色の車線検出・追跡の目的は、WIFIまたは5G媒体を介して、道路の亀裂や穴を検知・報告しながら、黄色い車線を追従し、無人航空機(UAV)の自律航法を実現することである。
論文 参考訳(メタデータ) (2020-08-14T04:35:10Z) - Mobile Link Prediction: Automated Creation and Crowd-sourced Validation
of Knowledge Graphs [2.8360662552057323]
本稿では, 自動化, 専門家, クラウドソーシングによる市民の知識を融合した, 広汎な知識グラフ構築手法を提案する。
ナレッジグラフは、人間によって検証された遺伝的プログラミングを使用して、リンクの自動予測を通じて成長する。
実世界の社会実験において,知識グラフビルダーの精度,実用性,ユーザビリティを評価した。
論文 参考訳(メタデータ) (2020-06-30T14:50:34Z)
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。