論文の概要: The Reasonable Crowd: Towards evidence-based and interpretable models of driving behavior

• arxiv url: http://arxiv.org/abs/2107.13507v1
• Date: Wed, 28 Jul 2021 17:26:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:47:04.691016
• Title: The Reasonable Crowd: Towards evidence-based and interpretable models of driving behavior
• Title（参考訳）: Reasonable Crowd: 運転行動のエビデンスに基づく解釈可能なモデルを目指して
• Authors: Bassam Helou, Aditya Dusi, Anne Collin, Noushin Mehdipour, Zhiliang Chen, Cristhian Lizarazo, Calin Belta, Tichakorn Wongpiromsarn, Radboud Duintjer Tebbens, Oscar Beijbom
• Abstract要約: データは92のトラフィックシナリオで構成され、複数のシナリオをトラバースする。 データセットとは独立して慎重に手作りされたルールブックのインスタンスを比較するために、データを使用しました。 このルールブックは性能を過度に犠牲にすることなく高い解釈性を提供することがわかった。
• 参考スコア（独自算出の注目度）: 5.112205222746637
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous vehicles must balance a complex set of objectives. There is no consensus on how they should do so, nor on a model for specifying a desired driving behavior. We created a dataset to help address some of these questions in a limited operating domain. The data consists of 92 traffic scenarios, with multiple ways of traversing each scenario. Multiple annotators expressed their preference between pairs of scenario traversals. We used the data to compare an instance of a rulebook, carefully hand-crafted independently of the dataset, with several interpretable machine learning models such as Bayesian networks, decision trees, and logistic regression trained on the dataset. To compare driving behavior, these models use scores indicating by how much different scenario traversals violate each of 14 driving rules. The rules are interpretable and designed by subject-matter experts. First, we found that these rules were enough for these models to achieve a high classification accuracy on the dataset. Second, we found that the rulebook provides high interpretability without excessively sacrificing performance. Third, the data pointed to possible improvements in the rulebook and the rules, and to potential new rules. Fourth, we explored the interpretability vs performance trade-off by also training non-interpretable models such as a random forest. Finally, we make the dataset publicly available to encourage a discussion from the wider community on behavior specification for AVs. Please find it at github.com/bassam-motional/Reasonable-Crowd.
• Abstract（参考訳）: 自動運転車は複雑な目標のバランスをとる必要がある。 どのように行うべきか、あるいは望ましい運転行動を指定するためのモデルについては合意がない。 限られた操作領域でこれらの質問に答えるためのデータセットを作成しました。 データには92のトラフィックシナリオがあり、各シナリオを横断する複数の方法がある。 複数のアノテーションはシナリオトラバーサルのペア間の好みを表した。 データセットとは独立して慎重に手作りされたルールブックのインスタンスと、ベイズネットワーク、決定木、データセットでトレーニングされたロジスティック回帰といったいくつかの解釈可能な機械学習モデルを比較した。 運転行動を比較するために、これらのモデルは14の運転規則のそれぞれにどの程度異なるシナリオトラバーサルが違反しているかを示すスコアを使用する。 ルールは解釈可能で、専門家が設計する。 まず、これらのルールはデータセットで高い分類精度を達成するのに十分であることが分かりました。 第二に、このルールブックは性能を過度に犠牲にすることなく高い解釈性を提供します。 第3に、データはルールブックとルールの改善の可能性、そして潜在的な新しいルールを指摘した。 第4に、ランダムな森林のような非解釈可能なモデルをトレーニングすることで、解釈可能性対パフォーマンストレードオフについて検討した。 最後に,このデータセットを公開して,AVの行動仕様に関する広いコミュニティの議論を奨励する。 github.com/bassam-motional/Reasonable-Crowdでご覧ください。

関連論文リスト

• CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory Prediction Models for Autonomous Driving [6.868387710209245]
  我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。 提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
  論文  参考訳（メタデータ） (2023-10-11T18:28:15Z)
• On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows [13.540998552232006]
  本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。 この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。 我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
  論文  参考訳（メタデータ） (2023-05-22T15:09:04Z)
• Learn What Is Possible, Then Choose What Is Best: Disentangling One-To-Many Relations in Language Through Text-based Games [3.615981646205045]
  望ましい振る舞いをエミュレートできる言語モデルをトレーニングするアプローチを提案する。 テキストベースのゲームをテストベッドとして使用することで、PASAは個別の潜伏変数を用いて異なる動作範囲をキャプチャする。 その結果,従来の最先端モデルよりも49%の実証的改善が得られた。
  論文  参考訳（メタデータ） (2023-04-14T17:11:26Z)
• Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
  データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。 異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。 このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
  論文  参考訳（メタデータ） (2023-03-30T17:30:42Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Deep Explainable Learning with Graph Based Data Assessing and Rule Reasoning [4.369058206183195]
  本稿では、ノイズハンドリングにおけるディープモデルの利点とエキスパートルールに基づく解釈可能性を組み合わせたエンドツーエンドのディープ・ツー・エンドのディープ・説明可能な学習手法を提案する。 提案手法は, 工業生産システムにおいて, 予測精度に匹敵し, より高い一般化安定性, より優れた解釈可能性を示す。
  論文  参考訳（メタデータ） (2022-11-09T05:58:56Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Robust Question Answering Through Sub-part Alignment [53.94003466761305]
  我々はアライメント問題として質問応答をモデル化する。 私たちは、SQuAD v1.1でモデルをトレーニングし、いくつかの逆および外ドメインデータセットでそれをテストします。
  論文  参考訳（メタデータ） (2020-04-30T09:10:57Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。