論文の概要: Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook

• arxiv url: http://arxiv.org/abs/2107.01110v1
• Date: Fri, 2 Jul 2021 14:45:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 17:26:04.724368
• Title: Decision-Making Technology for Autonomous Vehicles Learning-Based Methods, Applications and Future Outlook
• Title（参考訳）: 自動運転車のための意思決定技術 : 学習方法と応用と今後の展望
• Authors: Qi Liu, Xueyuan Li, Shihua Yuan, Zirui Li
• Abstract要約: 本稿では,自動運転車の学習に基づく意思決定技術について概説する。 自動運転車の安全性と効率的な性能にとって重要である。
• 参考スコア（独自算出の注目度）: 10.510562699616125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles have a great potential in the application of both civil and military fields, and have become the focus of research with the rapid development of science and economy. This article proposes a brief review on learning-based decision-making technology for autonomous vehicles since it is significant for safer and efficient performance of autonomous vehicles. Firstly, the basic outline of decision-making technology is provided. Secondly, related works about learning-based decision-making methods for autonomous vehicles are mainly reviewed with the comparison to classical decision-making methods. In addition, applications of decision-making methods in existing autonomous vehicles are summarized. Finally, promising research topics in the future study of decision-making technology for autonomous vehicles are prospected.
• Abstract（参考訳）: 自動運転車は、民間と軍事の両方の分野の応用に大きな可能性を秘めており、科学と経済の急速な発展による研究の焦点となっている。 本稿では,自動運転車の安全性と効率性において重要であることから,自動運転車の学習に基づく意思決定技術について概説する。 まず、意思決定技術の基本的な概要を提供する。 第2に,学習に基づく自動運転車の意思決定手法に関する関連研究を,古典的意思決定手法との比較で概ね検討した。 また,既存の自動運転車における意思決定手法の適用例をまとめた。 最後に、自動運転車の意思決定技術の将来研究における有望な研究トピックを展望する。

関連論文リスト

• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
  我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。 学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。 トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:38:57Z)
• 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)
• Autonomous Vehicles: Evolution of Artificial Intelligence and Learning Algorithms [0.0]
  この研究は、長年にわたるAI/学習アルゴリズムの使用状況とタイプに関する統計的知見を提示する。 本論文では,トラックおよび自動車の精製アルゴリズムにおけるパラメータの役割について述べる。 結論は、さまざまなレベルの自律性を概説し、AIと学習アルゴリズムの微妙な使用を解明することだ。
  論文  参考訳（メタデータ） (2024-02-27T17:07:18Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
  ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。 提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
  論文  参考訳（メタデータ） (2022-11-14T17:10:53Z)
• Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving [1.995792341399967]
  マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。 提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
  論文  参考訳（メタデータ） (2021-05-13T19:17:30Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Comparison of Different Methods for Time Sequence Prediction in Autonomous Vehicles [12.027397263268908]
  本稿では,自動運転車の時系列を予測するための異なる手法を提案する。 提案手法の性能,メリット,欠点を分析し,考察した。
  論文  参考訳（メタデータ） (2020-07-16T14:32:46Z)
• A Survey of End-to-End Driving: Architectures and Training Methods [0.9449650062296824]
  私たちは、運転パイプライン全体を1つのニューラルネットワークに置き換える、いわゆるエンドツーエンドの自動運転アプローチについて、より深く検討しています。 本稿では,エンド・ツー・エンド駆動文学における学習方法,入力・出力モダリティ,ネットワークアーキテクチャ,評価スキームについてレビューする。 我々は、エンドツーエンドの自動運転システムの最も有望な要素を組み合わせたアーキテクチャでレビューを締めくくります。
  論文  参考訳（メタデータ） (2020-03-13T17:42:58Z)
• Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles [0.0]
  深層強化学習(DRL) 論文では、車両モデル、シミュレーション可能性、計算要求について記述する。 自律運転のさまざまなタスクとレベルによって体系化された最先端のソリューションを調査します。
  論文  参考訳（メタデータ） (2020-01-30T09:47:22Z)

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。