論文の概要: AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning
- arxiv url: http://arxiv.org/abs/2110.13606v1
- Date: Sun, 17 Oct 2021 14:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 09:07:16.755302
- Title: AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning
- Title(参考訳): AUTO-DISCERN:コモンセンス推論を用いた自律走行
- Authors: Suraj Kothawade, Vinaya Khandelwal, Kinjal Basu, Huaduo Wang, Gopal
Gupta
- Abstract要約: 本稿では, 応答セットプログラミング(ASP)と目標指向の s(CASP) ASP システムを用いてコモンセンス推論の自動化について論じる。
我々の研究の目的は、人間の運転者の心をシミュレートして動く自動運転システムを開発することである。
- 参考スコア(独自算出の注目度): 17.43502069023518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving an automobile involves the tasks of observing surroundings, then
making a driving decision based on these observations (steer, brake, coast,
etc.). In autonomous driving, all these tasks have to be automated. Autonomous
driving technology thus far has relied primarily on machine learning
techniques. We argue that appropriate technology should be used for the
appropriate task. That is, while machine learning technology is good for
observing and automatically understanding the surroundings of an automobile,
driving decisions are better automated via commonsense reasoning rather than
machine learning. In this paper, we discuss (i) how commonsense reasoning can
be automated using answer set programming (ASP) and the goal-directed s(CASP)
ASP system, and (ii) develop the AUTO-DISCERN system using this technology for
automating decision-making in driving. The goal of our research, described in
this paper, is to develop an autonomous driving system that works by simulating
the mind of a human driver. Since driving decisions are based on human-style
reasoning, they are explainable, their ethics can be ensured, and they will
always be correct, provided the system modeling and system inputs are correct.
- Abstract(参考訳): 自動車の運転には、周囲を観察し、これらの観測(ステア、ブレーキ、海岸など)に基づいて運転決定を行う作業が含まれる。
自動運転では、これらのタスクはすべて自動化する必要があります。
これまで自動運転技術は主に機械学習技術に依存してきた。
適切なタスクに適切な技術を使うべきだと我々は主張する。
つまり、機械学習技術は自動車の周囲を観察し、自動的に理解するのに適しているが、運転決定は機械学習よりも常識推論によって自動化される。
本稿では,本稿で論じる。
(i) 応答セットプログラミング(ASP)とゴール指向のs(CASP) ASPシステムを用いて、どのようにコモンセンス推論を自動化できるか。
二 この技術を用いた自動運転における意思決定の自動化を図ること。
本研究の目的は、人間の運転者の心をシミュレートして機能する自動運転システムを開発することである。
運転決定は人間スタイルの推論に基づいており、それらは説明可能であり、システムのモデリングとシステム入力が正しければ、その倫理は保証され、常に正しい。
関連論文リスト
- DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳(メタデータ) (2024-01-08T03:06:02Z) - Large Language Models for Autonomous Driving: Real-World Experiments [11.858853494266873]
我々は,人間からの音声コマンドを処理する枠組みを導入し,文脈情報を用いて自律運転決定を行う。
このフレームワークは、様々なドライバーの乗っ取り率を最大90.1%削減することができる。
われわれの知る限りでは、Talk2DriveはLLMベースのシステムを現実の自動運転環境に導入した最初の例だ。
論文 参考訳(メタデータ) (2023-12-14T23:23:37Z) - Applications of Computer Vision in Autonomous Vehicles: Methods,
Challenges and Future Directions [3.1818269491041153]
本稿では,過去10年間に出版されたコンピュータビジョンと自動運転に関する論文をレビューする。
特に、まず自律運転システムの開発について検討し、各国の主要自動車メーカーによって開発されたこれらのシステムを要約する。
そこで, 深度推定, 物体検出, 車線検出, 信号認識など, 自律運転におけるコンピュータビジョン応用の概要を概観する。
論文 参考訳(メタデータ) (2023-11-15T16:41:18Z) - 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) - Explaining Autonomous Driving Actions with Visual Question Answering [3.0072636355661277]
本稿では,質問応答に基づく因果推論を用いた運転行動の説明を行う視覚質問応答(VQA)フレームワークを提案する。
実証的な結果は、VQAメカニズムが自動運転車のリアルタイム意思決定を支援することを示唆している。
論文 参考訳(メタデータ) (2023-07-19T18:37:57Z) - FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳(メタデータ) (2023-04-19T17:33:47Z) - 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) - Parallelized and Randomized Adversarial Imitation Learning for
Safety-Critical Self-Driving Vehicles [11.463476667274051]
運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。
本稿では,RAILアルゴリズムを提案する。
提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
論文 参考訳(メタデータ) (2021-12-26T23:42:49Z) - Explainable Artificial Intelligence for Autonomous Driving: A
Comprehensive Overview and Field Guide for Future Research Directions [11.259749697686697]
この研究は、自動運転車のための説明可能な人工知能(XAI)アプローチの開発に包括的な光を当てている。
まず、最先端の自動運転車産業における説明について、現状のギャップを概観する。
第2に,本分野における説明書・説明書の分類について述べる。
第3に,エンド・ツー・エンドの自動運転システムのアーキテクチャの枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-21T22:51:37Z) - LaND: Learning to Navigate from Disengagements [158.6392333480079]
本研究では,学習者に対する学習支援のための強化学習手法(LaND)を提案する。
LaNDは現在の知覚的観察から、どのアクションが解離につながるかを予測するニューラルネットワークモデルを学び、テスト時計画で解離を回避するアクションを実行する。
以上の結果から,LaNDは多種多様な現実世界の歩道環境を学習し,模倣学習と強化学習の両方に優れることを示した。
論文 参考訳(メタデータ) (2020-10-09T17:21:42Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳(メタデータ) (2020-07-10T22:25:27Z)
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。