論文の概要: Contextual Intelligent Decisions: Expert Moderation of Machine Outputs
for Fair Assessment of Commercial Driving
- arxiv url: http://arxiv.org/abs/2202.09816v1
- Date: Sun, 20 Feb 2022 13:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 11:05:48.022642
- Title: Contextual Intelligent Decisions: Expert Moderation of Machine Outputs
for Fair Assessment of Commercial Driving
- Title（参考訳）: コンテクスト知的意思決定:商業運転の公正評価のための機械出力のエキスパートモデレーション
- Authors: Jimiama Mafeni Mase, Direnc Pekaslan, Utkarsh Agrawal, Mohammad
Mesgarpour, Peter Chapman, Mercedes Torres Torres, Grazziela P. Figueredo
- Abstract要約: 本稿では,ドライバーの行動に対するより公平な道路安全評価手法を提案する。
知的意思決定プロセスに埋め込まれた文脈的モデレーションは、専門家の入力によって支えられている。
本研究では,因子の影響と,専門家の見解の相違を捉えるために,間隔評価型回答形式アンケートを開発した。
- 参考スコア（独自算出の注目度）: 2.7323386266136125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Commercial driving is a complex multifaceted task influenced by personal
traits and external contextual factors, such as weather, traffic, road
conditions, etc. Previous intelligent commercial driver-assessment systems do
not consider these factors when analysing the impact of driving behaviours on
road safety, potentially producing biased, inaccurate, and unfair assessments.
In this paper, we introduce a methodology (Expert-centered Driver Assessment)
towards a fairer automatic road safety assessment of drivers' behaviours,
taking into consideration behaviours as a response to contextual factors. The
contextual moderation embedded within the intelligent decision-making process
is underpinned by expert input, comprising of a range of associated
stakeholders in the industry. Guided by the literature and expert input, we
identify critical factors affecting driving and develop an interval-valued
response-format questionnaire to capture the uncertainty of the influence of
factors and variance amongst experts' views. Questionnaire data are modelled
and analysed using fuzzy sets, as they provide a suitable computational
approach to be incorporated into decision-making systems with uncertainty. The
methodology has allowed us to identify the factors that need to be considered
when moderating driver sensor data, and to effectively capture experts'
opinions about the effects of the factors. An example of our methodology using
Heavy Goods Vehicles professionals input is provided to demonstrate how the
expert-centred moderation can be embedded in intelligent driver assessment
systems.
- Abstract（参考訳）: 商用運転は、個人の特性や、天気、交通、道路条件など外部の状況要因に影響される複雑な多面的タスクである。
従来のインテリジェントな商業運転評価システムは、運転行動が道路安全に与える影響を分析し、バイアス、不正確、不公平な評価を生じさせる場合、これらの要因を考慮しない。
本稿では,運転者の行動の公平な自動道路安全評価のための方法論(専門化ドライバ評価)を導入し,文脈要因への応答として行動を考慮した。
インテリジェントな意思決定プロセスに埋め込まれたコンテキストモデレーションは、業界内のさまざまな関連する利害関係者からなる専門家のインプットによって基づいています。
文献と専門家のインプットから,運転に影響を及ぼす重要な要因を特定し,要因の影響の不確かさと専門家の見解のばらつきを捉えた,区間価値応答書式質問紙の開発を行った。
不確実性のある意思決定システムに組み込まれる適切な計算手法を提供するため、アンケートデータはファジィ集合を用いてモデル化され分析される。
この手法により,ドライバセンサデータをモデレートする際に考慮すべき要因を特定し,その要因の影響に関する専門家の意見を効果的に捉えることができる。
重品車専門家のインプットを用いた手法の例として,知的運転者アセスメントシステムに専門家中心のモデレーションを組み込む方法を示す。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - "A Good Bot Always Knows Its Limitations": Assessing Autonomous System Decision-making Competencies through Factorized Machine Self-confidence [5.167803438665586]
Factorized Machine Self-confidence (FaMSeC)は、アルゴリズムによる意思決定プロセスを駆動する要因の全体的記述を提供する。
指標は、確率的意思決定アルゴリズムの幅広いクラスに埋め込まれた階層的な問題解決統計から導かれる。
FaMSeCは、アルゴリズムによる適合評価の良さを、様々な自律エージェントの設計に容易に組み込むことができる。
論文 参考訳（メタデータ） (2024-07-29T01:22:04Z) - Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳（メタデータ） (2024-07-09T04:56:11Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - 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) - Architectural patterns for handling runtime uncertainty of data-driven
models in safety-critical perception [1.7616042687330642]
不確実性推定に対処するためのアーキテクチャパターンを新たに提案する。
安全性と性能向上に関して,4つのパターンを質的,定量的に評価した。
筆者らは,運転状況の文脈情報を考慮することで,運転状況の固有のリスクに応じて,多かれ少なかれ不確実性を受け入れることができると結論付けた。
論文 参考訳（メタデータ） (2022-06-14T13:31:36Z) - Evaluating Automated Driving Planner Robustness against Adversarial
Influence [0.0]
本研究の目的は,機械学習対応プランナーの対人的影響に対する保護の堅牢性を評価することである。
我々は、敵対的評価は基本的に特定の保護を破ろうとするプロセスを必要とすると論じる。
この種の推論には、脅威、保護、および守るべき計画決定の側面に関する正確な記述が必要である。
論文 参考訳（メタデータ） (2022-05-29T15:39:26Z) - Inverse Online Learning: Understanding Non-Stationary and Reactionary
Policies [79.60322329952453]
エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。
一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。
本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。
UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
論文 参考訳（メタデータ） (2022-03-14T17:40:42Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-26T02:08:07Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z) - Modeling Perception Errors towards Robust Decision Making in Autonomous
Vehicles [11.503090828741191]
意思決定サブシステムが堅牢で安全な判断を下すのに十分な認識サブシステムは十分か?
自律システムの挙動に異なる種類の知覚・知覚誤差が与える影響を解析する方法を示す。
論文 参考訳（メタデータ） (2020-01-31T08:02:14Z)
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。