論文の概要: AI-as-a-Service Toolkit for Human-Centered Intelligence in Autonomous
Driving
- arxiv url: http://arxiv.org/abs/2202.01645v1
- Date: Thu, 3 Feb 2022 15:41:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-04 14:51:21.375085
- Title: AI-as-a-Service Toolkit for Human-Centered Intelligence in Autonomous
Driving
- Title(参考訳): 自動運転におけるAI-as-a-Service Toolkit
- Authors: Valerio De Caro, Saira Bano, Achilles Machumilane, Alberto Gotta,
Pietro Cassar\'a, Antonio Carta, Christos Sardianos, Christos Chronis,
Iraklis Varlamis, Konstantinos Tserpes, Vincenzo Lomonaco, Claudio Gallicchio
and Davide Bacciu
- Abstract要約: 本稿では,H2020 TEACHINGプロジェクトで開発されたAI-as-a-serviceツールキットの概念実証実装を提案する。
自動運転者のストレス認識アルゴリズムの出力に応じて自律運転パーソナライズシステムを実装する。
- 参考スコア(独自算出の注目度): 13.575818872875637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a proof-of-concept implementation of the AI-as-a-service
toolkit developed within the H2020 TEACHING project and designed to implement
an autonomous driving personalization system according to the output of an
automatic driver's stress recognition algorithm, both of them realizing a
Cyber-Physical System of Systems. In addition, we implemented a data-gathering
subsystem to collect data from different sensors, i.e., wearables and cameras,
to automatize stress recognition. The system was attached for testing to a
driving emulation software, CARLA, which allows testing the approach's
feasibility with minimum cost and without putting at risk drivers and
passengers. At the core of the relative subsystems, different learning
algorithms were implemented using Deep Neural Networks, Recurrent Neural
Networks, and Reinforcement Learning.
- Abstract(参考訳): 本稿では,h2020教育プロジェクトで開発されたai-as-a-serviceツールキットの概念実証実装を行い,自動運転者のストレス認識アルゴリズムの出力に応じて自律運転パーソナライズシステムを実装し,サイバー物理システムを実現する。
さらに,さまざまなセンサ,例えばウェアラブルやカメラからデータを収集し,ストレス認識を自動化するデータ収集サブシステムを実装した。
このシステムは、運転エミュレーションソフトウェアであるCARLAに、最小限のコストで、危険ドライバーや乗客を乗せることなく、アプローチの実現可能性をテストするために取り付けられた。
相対的なサブシステムのコアでは、Deep Neural Networks、Recurrent Neural Networks、Reinforcement Learningを用いて異なる学習アルゴリズムを実装した。
関連論文リスト
- NeuroFlow: Development of lightweight and efficient model integration
scheduling strategy for autonomous driving system [0.0]
本稿では,自動車システムの独特な制約と特性を考慮した自律運転システムを提案する。
提案システムは、自律運転における複雑なデータフローを体系的に分析し、ディープラーニングモデルに影響を与える様々な要因を動的に調整する機能を提供する。
論文 参考訳(メタデータ) (2023-12-15T07:51:20Z) - Online Self-Supervised Learning in Machine Learning Intrusion Detection
for the Internet of Things [1.517849300165222]
本稿では、完全にオンラインの機械学習による侵入検知システム(IDS)を実現する、新しい自己監視侵入検知(SSID)フレームワークを提案する。
提案フレームワークは,自動連想型Deep Random Neural Networkを用いて,IDS自体の決定に基づいて受信するトラフィックパケットを分析し,ラベル付けする。
このアプローチは、データラベリングにおけるヒューマンエラーや、モデルトレーニングとデータ収集の人的労力と計算コストを回避する。
論文 参考訳(メタデータ) (2023-06-22T16:46:35Z) - 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) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - 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) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - Autoencoder-based Semantic Novelty Detection: Towards Dependable
AI-based Systems [3.0799158006789056]
本稿では,自動エンコーダに基づくセマンティックノベルティ検出のための新しいアーキテクチャを提案する。
このような意味的ノベルティ検出は、文献から知られている自己エンコーダに基づくノベルティ検出手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-24T17:27:19Z) - Robustness testing of AI systems: A case study for traffic sign
recognition [13.395753930904108]
本稿では,AIシステムのロバスト性を実際に検討し,どの手法やメトリクスを利用できるかを示す。
自律運転における交通標識認識の例について,ロバストネステスト手法を解説し,分析した。
論文 参考訳(メタデータ) (2021-08-13T10:29:09Z) - Sensitivity analysis in differentially private machine learning using
hybrid automatic differentiation [54.88777449903538]
感性分析のための新しいテクスチブリド自動識別システム(AD)を導入する。
これにより、ニューラルネットワークをプライベートデータ上でトレーニングするなど、任意の微分可能な関数合成の感度をモデル化できる。
当社のアプローチは,データ処理の設定において,プライバシ損失に関する原則的推論を可能にする。
論文 参考訳(メタデータ) (2021-07-09T07:19:23Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳(メタデータ) (2020-10-23T18:07:48Z)
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。