論文の概要: Description of Corner Cases in Automated Driving: Goals and Challenges
- arxiv url: http://arxiv.org/abs/2109.09607v1
- Date: Mon, 20 Sep 2021 15:04:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:02:06.483979
- Title: Description of Corner Cases in Automated Driving: Goals and Challenges
- Title(参考訳): 自動運転におけるコーナーケースの記述--目標と課題
- Authors: Daniel Bogdoll, Jasmin Breitenstein, Florian Heidecker, Maarten
Bieshaar, Bernhard Sick, Tim Fingscheidt, J. Marius Z\"ollner
- Abstract要約: コーナーケース(CC)は自動走行システムにとって重要である。
CCの理解を深めることで、オフラインアプリケーション、データセット分析、オンラインメソッドが改善される。
この拡張された要約では、このような説明の課題と目標を概観する。
- 参考スコア(独自算出の注目度): 21.05280822559726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scaling the distribution of automated vehicles requires handling various
unexpected and possibly dangerous situations, termed corner cases (CC). Since
many modules of automated driving systems are based on machine learning (ML),
CC are an essential part of the data for their development. However, there is
only a limited amount of CC data in large-scale data collections, which makes
them challenging in the context of ML. With a better understanding of CC,
offline applications, e.g., dataset analysis, and online methods, e.g.,
improved performance of automated driving systems, can be improved. While there
are knowledge-based descriptions and taxonomies for CC, there is little
research on machine-interpretable descriptions. In this extended abstract, we
will give a brief overview of the challenges and goals of such a description.
- Abstract(参考訳): 自動車両の分布を拡大するには、様々な予期せぬ危険な状況、すなわちコーナーケース(CC)を扱う必要がある。
自動運転システムの多くのモジュールは機械学習(ml)に基づいているため、ccはその開発に必要なデータの重要な部分である。
しかし、大規模なデータ収集には限られた量のCCデータしか存在しないため、MLの文脈では困難である。
CCをよりよく理解することで、データセット分析やオンライン手法、例えば自動運転システムの性能向上といったオフラインアプリケーションが改善される。
ccには知識に基づく記述と分類があるが、機械解釈可能な記述についての研究はほとんどない。
この拡張要約では、このような説明の課題と目標について、簡単に概要を説明します。
関連論文リスト
- RAG-Driver: Generalisable Driving Explanations with Retrieval-Augmented
In-Context Learning in Multi-Modal Large Language Model [23.375226325953587]
提案するRAG-Driverは,高機能,説明性,一般化可能な自律運転にコンテキスト内学習を活用する,検索強化型多モード大言語モデルである。
RAG-Driverが運転動作の説明,正当化,制御信号の予測を行う上で,最先端の性能を発揮することを実証的に検証した。
論文 参考訳(メタデータ) (2024-02-16T16:57:18Z) - AUTOACT: Automatic Agent Learning from Scratch via Self-Planning [56.81725335882185]
AutoActは、大規模アノテートデータやクローズドソースモデルからの合成軌跡に依存しない自動エージェント学習フレームワークである。
我々は異なるLLMを用いて総合的な実験を行い、AutoActは様々な強力なベースラインと比較して優れた性能または並列性能が得られることを示した。
論文 参考訳(メタデータ) (2024-01-10T16:57:24Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [67.843551583229]
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) - The Devil is in the Errors: Leveraging Large Language Models for
Fine-grained Machine Translation Evaluation [93.01964988474755]
AutoMQMは,大規模な言語モデルに対して,翻訳におけるエラーの識別と分類を求めるプロンプト技術である。
テキスト内学習と微調整によるラベル付きデータの影響について検討する。
次に, PaLM-2モデルを用いてAutoMQMを評価し, スコアのプロンプトよりも性能が向上することがわかった。
論文 参考訳(メタデータ) (2023-08-14T17:17:21Z) - A Semi-Automated Corner Case Detection and Evaluation Pipeline [0.0]
知覚システムは、ディープニューラルネットワークをトレーニングするために大きなデータセットを必要とする。
これらのデータセットのどの部分がコーナーケースを記述しているかを知ることは、ネットワークのトレーニングやテストにおいて有利である。
本稿では,集合的知識記述を拡張KI Absicherungオントロジーに変換するパイプラインを提案する。
論文 参考訳(メタデータ) (2023-05-25T12:06:43Z) - Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。
事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。
本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
論文 参考訳(メタデータ) (2022-05-18T16:50:20Z) - Fully End-to-end Autonomous Driving with Semantic Depth Cloud Mapping
and Multi-Agent [2.512827436728378]
本稿では,エンド・ツー・エンドとマルチタスクの学習方法を用いて学習した新しいディープラーニングモデルを提案する。
このモデルは,CARLAシミュレータ上で,現実の環境を模倣するために,通常の状況と異なる天候のシナリオを用いて評価する。
論文 参考訳(メタデータ) (2022-04-12T03:57:01Z) - Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。
以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文 参考訳(メタデータ) (2021-08-27T09:26:20Z) - A First Look at Class Incremental Learning in Deep Learning Mobile
Traffic Classification [68.11005070665364]
インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。
iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。
解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
論文 参考訳(メタデータ) (2021-07-09T14:28:16Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳(メタデータ) (2021-04-07T14:31:08Z) - An Application-Driven Conceptualization of Corner Cases for Perception
in Highly Automated Driving [21.67019631065338]
高度に自動化された運転において、コーナーケースのアプリケーション駆動ビューを提供する。
RADARとLiDARを追加することで、コーナーケースの既存のカメラフォーカスのシステム化を拡張します。
データ取得と処理のための模範的なツールチェーンについて説明する。
論文 参考訳(メタデータ) (2021-03-05T13:56:37Z)
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。