論文の概要: CausalAF: Causal Autoregressive Flow for Goal-Directed Safety-Critical
Scenes Generation
- arxiv url: http://arxiv.org/abs/2110.13939v1
- Date: Tue, 26 Oct 2021 18:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 12:47:03.757897
- Title: CausalAF: Causal Autoregressive Flow for Goal-Directed Safety-Critical
Scenes Generation
- Title(参考訳): CausalAF:ゴール指向型安全クリティカルシーン生成のための因果自己回帰流
- Authors: Wenhao Ding, Haohong Lin, Bo Li, Ding Zhao
- Abstract要約: フローベース生成フレームワーク - Causal Autoregressive Flow (CausalAF)を提案する。
本稿では,安全クリティカルなシーン生成プロセスに因果関係を先行として統合する。
CausalAFは生成モデルに対して、生成されたオブジェクト間の因果関係を発見し、追跡することを奨励する。
- 参考スコア(独自算出の注目度): 25.139774604219603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Goal-directed generation, aiming for solving downstream tasks by generating
diverse data, has a potentially wide range of applications in the real world.
Previous works tend to formulate goal-directed generation as a purely
data-driven problem, which directly searches or approximates the distribution
of samples satisfying the goal. However, the generation ability of preexisting
work is heavily restricted by inefficient sampling, especially for sparse goals
that rarely show up in off-the-shelf datasets. For instance, generating
safety-critical traffic scenes with the goal of increasing the risk of
collision is critical to evaluate autonomous vehicles, but the rareness of such
scenes is the biggest resistance. In this paper, we integrate causality as a
prior into the safety-critical scene generation process and propose a
flow-based generative framework - Causal Autoregressive Flow (CausalAF).
CausalAF encourages the generative model to uncover and follow the causal
relationship among generated objects via novel causal masking operations
instead of searching the sample only from observational data. By learning the
cause-and-effect mechanism of how the generated scene achieves the goal rather
than just learning correlations from data, CausalAF significantly improves the
learning efficiency. Extensive experiments on three heterogeneous traffic
scenes illustrate that CausalAF requires much fewer optimization resources to
effectively generate goal-directed scenes for safety evaluation tasks.
- Abstract(参考訳): 多様なデータを生成することによって下流タスクの解決を目的としたゴール指向生成は、現実世界で幅広い応用が期待できる。
従来の研究は、目的を満たすサンプルの分布を直接検索または近似する純粋にデータ駆動問題としてゴール指向生成を定式化する傾向にある。
しかしながら、既存の作業の生成能力は、非効率なサンプリング、特に既成のデータセットにほとんど現れないスパース目標によって大きく制限されている。
例えば、衝突のリスクを高めることを目的として安全クリティカルな交通シーンを生成することは、自動運転車を評価する上で非常に重要であるが、そのようなシーンの稀さは最大の抵抗である。
本稿では,先行する因果関係を安全クリティカルシーン生成プロセスに統合し,causalaf(caous autoregressive flow)というフローベースの生成フレームワークを提案する。
CausalAFは、観測データのみからサンプルを検索する代わりに、新しい因果マスク操作によって生成されたオブジェクト間の因果関係を発見し、追跡することを生成モデルに推奨する。
生成したシーンが単にデータから相関を学習するだけでなく、目的を達成するための原因と効果のメカニズムを学ぶことで、CausalAFは学習効率を大幅に改善する。
ヘテロジニアスな3つの交通シーンに関する大規模な実験は、安全評価タスクのためにゴール指向のシーンを効果的に生成するために、CausalAFがはるかに少ない最適化リソースを必要とすることを示している。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - Seeing is not Believing: Robust Reinforcement Learning against Spurious
Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。
このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。
したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文 参考訳(メタデータ) (2023-07-15T23:53:37Z) - Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。
ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。
ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
論文 参考訳(メタデータ) (2023-04-01T18:14:41Z) - Grasping Causality for the Explanation of Criticality for Automated
Driving [0.0]
本研究では,自動走行における安全関連要因の因果的理解を促進する因果的クエリの形式化を提案する。
ジュデア・パールの因果論に基づいて、因果関係を文脈とともに因果構造として定義する。
因果クエリに対する応答を正当に推定するには,データの可用性と品質が不可欠であるため,実世界および合成データ取得の要件についても論じる。
論文 参考訳(メタデータ) (2022-10-27T12:37:00Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳(メタデータ) (2021-03-12T17:00:23Z) - Multimodal Safety-Critical Scenarios Generation for Decision-Making
Algorithms Evaluation [23.43175124406634]
既存のニューラルネットワークベースの自律システムは、敵の攻撃に対して脆弱であることが示されている。
意思決定アルゴリズムの評価のためのフローベースマルチモーダル安全クリティカルシナリオジェネレータを提案する。
生成したトラフィックシナリオを用いて6つの強化学習アルゴリズムを評価し,その堅牢性に関する実証的な結論を提供する。
論文 参考訳(メタデータ) (2020-09-16T15:16:43Z) - Learning to Collide: An Adaptive Safety-Critical Scenarios Generating
Method [20.280573307366627]
本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。
提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-02T21:26:03Z)
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。