Fugu-MT 論文翻訳(概要): Evaluating Robustness over High Level Driving Instruction for Autonomous Driving

論文の概要: Evaluating Robustness over High Level Driving Instruction for Autonomous Driving

arxiv url: http://arxiv.org/abs/2105.10014v1
Date: Thu, 20 May 2021 20:10:14 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:37:52.864950
Title: Evaluating Robustness over High Level Driving Instruction for Autonomous Driving
Title（参考訳）: 高レベル運転指導におけるロバスト性の評価
Authors: Florence Carton, David Filliat, Jaonary Rabarisoa and Quoc Cuong Pham
Abstract要約: 近年,自動運転の分野では,ますます高いパフォーマンスをみせている。本稿では,エージェントの堅牢性を評価するための評価手法を提案する。
参考スコア（独自算出の注目度）: 5.180648702293017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, we have witnessed increasingly high performance in the field of autonomous end-to-end driving. In particular, more and more research is being done on driving in urban environments, where the car has to follow high level commands to navigate. However, few evaluations are made on the ability of these agents to react in an unexpected situation. Specifically, no evaluations are conducted on the robustness of driving agents in the event of a bad high-level command. We propose here an evaluation method, namely a benchmark that allows to assess the robustness of an agent, and to appreciate its understanding of the environment through its ability to keep a safe behavior, regardless of the instruction.
Abstract（参考訳）: 近年、自動運転のエンド・ツー・エンド運転の分野での高性能化が進んでいる。特に、都市環境における運転に関する研究がますます増えており、走行には高レベルな指示に従う必要がある。しかし、これらのエージェントが予期せぬ状況で反応する能力についてはほとんど評価されていない。特に、悪いハイレベルコマンドが発生した場合の駆動エージェントのロバスト性についての評価は行われない。本稿では,エージェントのロバスト性を評価するためのベンチマークと,その指示によらず安全な動作を維持する能力を通じて環境に対する理解度を評価する手法を提案する。

関連論文リスト

Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文参考訳（メタデータ） (2024-05-07T23:32:36Z)
Safety Implications of Explainable Artificial Intelligence in End-to-End Autonomous Driving [4.1636282808157254]
エンドツーエンドの学習パイプラインは、高度に自律的な車両の開発におけるパラダイムシフトを徐々に生み出している。現代の学習手法によるリアルタイム意思決定における解釈可能性の欠如は、ユーザの信頼を阻害し、そのような車両の広範な展開と商業化を阻害する。この調査は、質問に答えようとしている。いつ、どのように説明がエンドツーエンドの自動運転の安全性を改善することができるのか?
論文参考訳（メタデータ） (2024-03-18T18:49:20Z)
Analyze Drivers' Intervention Behavior During Autonomous Driving -- A VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文参考訳（メタデータ） (2023-12-04T06:36:57Z)
Classification of Safety Driver Attention During Autonomous Vehicle Operation [11.33083039877258]
本稿では、車両オペレーターと車両認識システムに対向する赤外線カメラからのデータを統合したデュアルソースアプローチを提案する。提案システムは,車両運転者の注意度基準を効果的に決定し,警告や自律機能低下などの介入を適切に行う。
論文参考訳（メタデータ） (2023-10-17T22:04:42Z)
Anticipating Driving Behavior through Deep Learning-Based Policy Prediction [66.344923925939]
我々は、通常のカメラで捉えたビデオフレームから得られる統合的な視覚特徴と、ポイント・クラウド・スキャナーから得られた奥行きの詳細を処理できるシステムを開発した。このシステムは、車両の速度と操舵角度の両方を含む運転行動を予測するように設計されている。評価の結果,テストシナリオの少なくとも半分において,予測値が有意な精度を達成できることが示唆された。
論文参考訳（メタデータ） (2023-07-20T17:38:55Z)
Can Agents Run Relay Race with Strangers? Generalization of RL to Out-of-Distribution Trajectories [88.08381083207449]
異種エージェントの制御可能な状態に対する一般化失敗の有病率を示す。本稿では,学習中のQ関数に従って環境をエージェントの旧状態にリセットする,STA(Self-Trajectory Augmentation)という新しい手法を提案する。
論文参考訳（メタデータ） (2023-04-26T10:12:12Z)
From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions [10.557942353553859]
コメント運転では、ドライバーは観察、評価、意図を口頭で話す。彼らの考えを語ることで、学習と熟練したドライバーの両方が、自分たちの環境をよりよく理解し、認識できるようになります。インテリジェントな車両の文脈では、自動運転解説は運転行動についての理解に富んだ説明を提供することができる。
論文参考訳（メタデータ） (2022-04-19T19:39:13Z)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
End-to-End Urban Driving by Imitating a Reinforcement Learning Coach [148.2683592850329]
人間は良いドライバーだが、エンドツーエンドのアルゴリズムにとって良いコーチではない。我々は、鳥の目視画像を連続的な低レベル行動にマッピングする強化学習専門家を訓練する。我々の強化学習コーチによって監督され、単眼カメラ入力のベースラインエンドツーエンドエージェントは、専門家レベルのパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-08-18T17:36:51Z)
Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion [16.018962965273495]
全日と全天候のナビゲーションは、自動運転にとって重要な機能である。本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
論文参考訳（メタデータ） (2020-05-05T03:48:10Z)

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。