論文の概要: Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles

• arxiv url: http://arxiv.org/abs/2108.05118v1
• Date: Wed, 11 Aug 2021 09:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:19:19.013017
• Title: Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
• Title（参考訳）: 自律走行車の安全運転のためのディープニューラルネットワークのキャプチャ不確かさ
• Authors: Liuhui Ding, Dachuan Li, Bowen Liu, Wenxing Lan, Bing Bai, Qi Hao, Weipeng Cao, Ke Pei
• Abstract要約: ディープニューラルネットワーク(DNN)に基づく認識と車両の動きの不確実性は、安全な自動運転車両の開発に課題をもたらす。 DNNに基づく認識の不確かさと動きの不確かさの定量化と伝播を特徴とする安全な動き計画フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.598370537756068
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Uncertainties in Deep Neural Network (DNN)-based perception and vehicle's motion pose challenges to the development of safe autonomous driving vehicles. In this paper, we propose a safe motion planning framework featuring the quantification and propagation of DNN-based perception uncertainties and motion uncertainties. Contributions of this work are twofold: (1) A Bayesian Deep Neural network model which detects 3D objects and quantitatively captures the associated aleatoric and epistemic uncertainties of DNNs; (2) An uncertainty-aware motion planning algorithm (PU-RRT) that accounts for uncertainties in object detection and ego-vehicle's motion. The proposed approaches are validated via simulated complex scenarios built in CARLA. Experimental results show that the proposed motion planning scheme can cope with uncertainties of DNN-based perception and vehicle motion, and improve the operational safety of autonomous vehicles while still achieving desirable efficiency.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)に基づく認識と車両の動きの不確実性は、安全な自動運転車両の開発に課題をもたらす。 本稿では,DNNに基づく認識の不確かさと動きの不確かさの定量化と伝播を特徴とする安全な動き計画手法を提案する。 本研究の貢献は,(1)DNNの3次元物体を検出して関連する動脈およびてんかんの不確かさを定量的に捉えるベイズディープニューラルネットワークモデル,(2)物体検出と自我車の動きの不確かさを考慮に入れた不確実性認識運動計画アルゴリズム(PU-RRT)である。 提案手法は、CARLAで構築されたシミュレーションされた複雑なシナリオを通して検証される。 実験の結果,提案手法は,dnnに基づく知覚と車両運動の不確実性に対処でき,望ましい効率を保ちながら自律走行車の運転安全性を向上できることがわかった。

関連論文リスト

• Autonomous Driving with Spiking Neural Networks [5.191057765703533]
  スパイキング自律運転(SAD)は、自律運転システムで直面するエネルギー問題に対処する最初の統合スパイキングニューラルネットワーク(SNN)である。 SADはエンドツーエンドでトレーニングされており、知覚、予測、計画という3つの主要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-05-30T04:57:54Z)
• Enhancing Road Safety: Real-Time Detection of Driver Distraction through Convolutional Neural Networks [0.0]
  本研究は,運転者の気晴らしをリアルタイムに検出する上で,最も効率的なモデルを明らかにすることを目的とする。 最終的な目的は、この発見を車両の安全システムに組み込むことであり、不注意によって引き起こされる事故を防ぐ能力を大幅に向上させることである。
  論文  参考訳（メタデータ） (2024-05-28T03:34:55Z)
• 3D Object Visibility Prediction in Autonomous Driving [6.802572869909114]
  本稿では,新しい属性とその対応するアルゴリズムである3Dオブジェクトの可視性について述べる。 この属性の提案とその計算戦略は、下流タスクの能力を拡大することを目的としている。
  論文  参考訳（メタデータ） (2024-03-06T13:07:42Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Defensive Perception: Estimation and Monitoring of Neural Network Performance under Deployment [0.6982738885923204]
  本稿では,自律運転におけるセマンティックセグメンテーションのためのニューラルネットワークにおける未知の破滅的展開とドメインシフトの問題に対処する手法を提案する。 我々のアプローチは、自律運転に対するディープラーニングに基づく認識が不確実であり、確率分布として最もよく表されるという考えに基づいている。
  論文  参考訳（メタデータ） (2023-08-11T07:45:36Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception [5.46262127926284]
  制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。 本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T11:24:03Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• 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)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)

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。