論文の概要: Grounded Relational Inference: Domain Knowledge Driven Explainable Autonomous Driving

• arxiv url: http://arxiv.org/abs/2102.11905v1
• Date: Tue, 23 Feb 2021 19:34:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 13:38:45.025463
• Title: Grounded Relational Inference: Domain Knowledge Driven Explainable Autonomous Driving
• Title（参考訳）: 接地関係推論:ドメイン知識駆動型説明可能な自律運転
• Authors: Chen Tang, Nishan Srishankar, Sujitha Martin, Masayoshi Tomizuka
• Abstract要約: 専門ドメイン知識をモデルに組み込むことで、自動運転システムの説明力の向上を目指します。 エージェントの関係を表す相互作用グラフを推論することで、対話システムの基盤となるダイナミクスをモデル化する。 シミュレーションと実世界の両方の状況下でのインタラクティブな交通シナリオをモデル化し,その相互作用によって車両の挙動を説明する解釈可能なグラフを生成できることを実証する。
• 参考スコア（独自算出の注目度）: 24.596019554956076
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Explainability is essential for autonomous vehicles and other robotics systems interacting with humans and other objects during operation. Humans need to understand and anticipate the actions taken by the machines for trustful and safe cooperation. In this work, we aim to enable the explainability of an autonomous driving system at the design stage by incorporating expert domain knowledge into the model. We propose Grounded Relational Inference (GRI). It models an interactive system's underlying dynamics by inferring an interaction graph representing the agents' relations. We ensure an interpretable interaction graph by grounding the relational latent space into semantic behaviors defined with expert domain knowledge. We demonstrate that it can model interactive traffic scenarios under both simulation and real-world settings, and generate interpretable graphs explaining the vehicle's behavior by their interactions.
• Abstract（参考訳）: 操作中に人間や他の物体と対話する自動運転車や他のロボティクスシステムにとって説明可能性は不可欠です。 人間は、信頼できる安全な協力のために機械が行う行動を理解し、予測する必要がある。 本研究では、モデルに専門的なドメイン知識を組み込むことにより、設計段階での自動運転システムの説明性の実現を目指します。 GRI(Grounded Relational Inference)を提案する。 エージェントの関係を表す相互作用グラフを推論することで、対話システムの基盤となるダイナミクスをモデル化する。 我々は、関係的潜在空間を専門家ドメイン知識で定義された意味的行動に接することで、解釈可能な相互作用グラフを保証する。 シミュレーションと実世界の両方の状況下でのインタラクティブな交通シナリオをモデル化し,その相互作用によって車両の挙動を説明する解釈可能なグラフを生成できることを実証する。

関連論文リスト

• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• 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)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• Controlling the Sense of Agency in Dyadic Robot Interaction: An Active Inference Approach [6.421670116083633]
  変形型繰り返しニューラルネットワークモデルを用いて,ロボットのダイアディック模倣相互作用を検討する。 トレーニング中の自由エネルギーを最小化する複雑性項の制御が,ネットワークの動的特性をいかに決定するかを検討した。
  論文  参考訳（メタデータ） (2021-03-03T02:38:09Z)
• Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph [4.574413934477815]
  本稿では,トラフィックアクタと静的および動的トラフィック要素の両方をノードが表現するハイブリッドグラフを提案する。 アクターとトラフィック要素間の時間的相互作用(例えば、停止と移動)の異なるモードは、グラフエッジによって明示的にモデル化される。 提案するモデルであるTrafficGraphNetは,高いレベルの解釈性を維持しつつ,最先端の軌道予測精度を実現する。
  論文  参考訳（メタデータ） (2020-09-27T18:20:03Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• Spatiotemporal Learning of Multivehicle Interaction Patterns in Lane-Change Scenarios [11.893098067272463]
  コモン・イット・チャレージング・インタラクションのシナリオの解釈は、自動運転車のしっかりとした決定に役立てることができる。 本稿では、連続(ガウス過程)および離散(ディリクレ過程)プロセスを活用するベイズ的非パラメトリックアプローチについて述べる。 提案手法は,車体ペデストリアン相互作用など,他の種類のマルチエージェント相互作用を効率的に解析することに重点を置いている。
  論文  参考訳（メタデータ） (2020-03-02T10:59:35Z)

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。