論文の概要: Adaptive Autonomy in Human-on-the-Loop Vision-Based Robotics Systems
- arxiv url: http://arxiv.org/abs/2103.15053v1
- Date: Sun, 28 Mar 2021 05:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 14:40:51.667354
- Title: Adaptive Autonomy in Human-on-the-Loop Vision-Based Robotics Systems
- Title（参考訳）: 人間の視力に基づくロボットシステムにおける適応自律性
- Authors: Sophia Abraham, Zachariah Carmichael, Sreya Banerjee, Rosaura
VidalMata, Ankit Agrawal, Md Nafee Al Islam, Walter Scheirer, Jane
Cleland-Huang
- Abstract要約: コンピュータビジョンのアプローチは、自律ロボットシステムによって意思決定の指針として広く使われている。
特に人間が監督的な役割しか果たさないHuman-on-the-loop(HoTL)システムでは、高精度が重要です。
適応的自律性レベルに基づくソリューションを提案し,これらのモデルの信頼性の低下を検出する。
- 参考スコア（独自算出の注目度）: 16.609594839630883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision approaches are widely used by autonomous robotic systems to
sense the world around them and to guide their decision making as they perform
diverse tasks such as collision avoidance, search and rescue, and object
manipulation. High accuracy is critical, particularly for Human-on-the-loop
(HoTL) systems where decisions are made autonomously by the system, and humans
play only a supervisory role. Failures of the vision model can lead to
erroneous decisions with potentially life or death consequences. In this paper,
we propose a solution based upon adaptive autonomy levels, whereby the system
detects loss of reliability of these models and responds by temporarily
lowering its own autonomy levels and increasing engagement of the human in the
decision-making process. Our solution is applicable for vision-based tasks in
which humans have time to react and provide guidance. When implemented, our
approach would estimate the reliability of the vision task by considering
uncertainty in its model, and by performing covariate analysis to determine
when the current operating environment is ill-matched to the model's training
data. We provide examples from DroneResponse, in which small Unmanned Aerial
Systems are deployed for Emergency Response missions, and show how the vision
model's reliability would be used in addition to confidence scores to drive and
specify the behavior and adaptation of the system's autonomy. This workshop
paper outlines our proposed approach and describes open challenges at the
intersection of Computer Vision and Software Engineering for the safe and
reliable deployment of vision models in the decision making of autonomous
systems.
- Abstract（参考訳）: コンピュータビジョンのアプローチは、自律ロボットシステムによって、周囲の世界を感知し、衝突回避、捜索救助、オブジェクト操作など様々なタスクを実行する際の意思決定を導くために広く使われている。
特にHuman-on-the-loop(HoTL)システムでは、システムによって意思決定が自律的に行われ、人間が監督的な役割を果たす。
ビジョンモデルの失敗は、命や死の可能性のある誤った決定につながる可能性がある。
本稿では,適応的自律性レベルに基づくソリューションを提案する。システムでは,これらのモデルの信頼性の損失を検知し,自己の自律性レベルを一時的に低下させ,意思決定プロセスにおける人間の関与を高めることにより応答する。
我々のソリューションは、人間が反応しガイダンスを提供する時間を持つ視覚ベースのタスクに適用できる。
提案手法は,モデルの不確実性を考慮して視覚タスクの信頼性を推定し,モデルのトレーニングデータと現在の動作環境が一致しないかどうかを共変解析することにより評価する。
我々はDroneResponseの例を紹介し,小型無人航空システムを緊急対応ミッションに配置し,信頼性スコアに加えて,システムの自律性の行動と適応を駆動および特定するために,ビジョンモデルの信頼性をどのように利用するかを示す。
本稿では,提案手法を概説し,自律システムの意思決定におけるビジョンモデルの安全かつ信頼性の高い展開に向けた,コンピュータビジョンとソフトウェアエンジニアリングの交点におけるオープンチャレンジについて述べる。
関連論文リスト
- Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [70.93622520400385]
本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。
本研究では,ロボット行動の不安定化に空間的基盤を活用する,標的のない位置認識型攻撃目標を提案する。
また、カメラの視野内に小さなカラフルなパッチを配置し、デジタル環境と物理環境の両方で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
論文 参考訳（メタデータ） (2024-11-18T01:52:20Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳（メタデータ） (2023-11-13T16:00:16Z) - Security Challenges in Autonomous Systems Design [1.864621482724548]
人間のコントロールから独立すると、このようなシステムのサイバーセキュリティはさらに重要になる。
人間のコントロールから独立すると、このようなシステムのサイバーセキュリティはさらに重要になる。
本稿では,技術の現状を徹底的に議論し,新たなセキュリティ課題を特定し,研究の方向性を提案する。
論文 参考訳（メタデータ） (2023-11-05T09:17:39Z) - Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone
Racing [52.50284630866713]
既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。
本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
論文 参考訳（メタデータ） (2022-10-26T19:03:17Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Symbiotic System Design for Safe and Resilient Autonomous Robotics in
Offshore Wind Farms [3.5409202655473724]
Beyond Visual Line of Sight(BVLOS)ロボティクスの障壁には、運用上の安全コンプライアンスとレジリエンスが含まれます。
ロボットプラットフォームと遠隔操作者の相互利益のための知識共有によるライフサイクル学習と共進化を反映した共生システムを提案する。
本手法は,自律ミッションにおける安全性,信頼性,レジリエンスのリアルタイム検証を可能にする。
論文 参考訳（メタデータ） (2021-01-23T11:58:16Z) - An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear
Analysis [68.8204255655161]
人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。
シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
論文 参考訳（メタデータ） (2020-07-14T15:47:37Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z) - Learning to Optimize Autonomy in Competence-Aware Systems [32.3596917475882]
体験を通して学習し、オンラインで更新する自律の内省モデルを提案する。
我々は、さまざまなレベルの自律性と利用可能な人間のフィードバックにおいて、自身の習熟度を明示的にモデル化する能力認識システム(CAS)を定義する。
我々はCASの収束特性を解析し、ロボット配送と自律運転領域の実験結果を提供する。
論文 参考訳（メタデータ） (2020-03-17T14:31:45Z) - A Model-Based, Decision-Theoretic Perspective on Automated Cyber
Response [0.0]
本稿では,これらの線に沿って設計された自動サイバー応答に対するアプローチについて述べる。
我々は,保護対象システムのシミュレーションをオンラインプランナーと組み合わせて,部分的に観察可能なマルコフ決定問題(POMDP)を特徴とするサイバー防御問題を解く。
論文 参考訳（メタデータ） (2020-02-20T15:30:59Z) - Modeling Perception Errors towards Robust Decision Making in Autonomous
Vehicles [11.503090828741191]
意思決定サブシステムが堅牢で安全な判断を下すのに十分な認識サブシステムは十分か?
自律システムの挙動に異なる種類の知覚・知覚誤差が与える影響を解析する方法を示す。
論文 参考訳（メタデータ） (2020-01-31T08:02:14Z)
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。