Fugu-MT 論文翻訳(概要): Six Levels of Autonomous Process Execution Management (APEM)

論文の概要: Six Levels of Autonomous Process Execution Management (APEM)

arxiv url: http://arxiv.org/abs/2204.11328v1
Date: Sun, 24 Apr 2022 17:53:30 GMT
ステータス: 処理完了
システム内更新日: 2023-02-19 16:26:38.809608
Title: Six Levels of Autonomous Process Execution Management (APEM)
Title（参考訳）: 自律プロセス実行管理(APEM)の6つのレベル
Authors: Wil van der Aalst
Abstract要約: この記事では、APEM(Autonomous Process Execution Management)の6つのレベルを定義します。目標は、自動運転車のように、あるレベルから次のレベルへの移行が段階的に行われることを示すことだ。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Terms such as the Digital Twin of an Organization (DTO) and Hyperautomation (HA) illustrate the desire to autonomously manage and orchestrate processes, just like we aim for autonomously driving cars. Autonomous driving and Autonomous Process Execution Management (APEM) have in common that the goals are pretty straightforward and that each year progress is made, but fully autonomous driving and fully autonomous process execution are more a dream than a reality. For cars, the Society of Automotive Engineers (SAE) identified six levels (0-5), ranging from no driving automation (SAE, Level 0) to full driving automation (SAE, Level 5). This short article defines six levels of Autonomous Process Execution Management (APEM). The goal is to show that the transition from one level to the next will be gradual, just like for self-driving cars.
Abstract（参考訳）: dto(digital twin of a organization)やha(hyperautomation)といった用語は、自動運転車を目標とするように、プロセスを自律的に管理し、オーケストレーションしたいという願望を示しています。自動運転と自律プロセス実行管理(apem:autonomous process execution management)は、目標が極めて単純で、毎年進行している、という共通点があるが、完全自律運転と完全自律プロセス実行は現実というよりは夢である。車について、SAE(Society of Automotive Engineers)は、運転自動化(SAE、レベル0)から全運転自動化(SAE、レベル5)までの6つのレベル(0-5)を特定した。この記事では、APEM(Autonomous Process Execution Management)の6つのレベルを定義します。目標は、自動運転車のように、あるレベルから次のレベルへの移行が徐々に進むことを示すことだ。

関連論文リスト

Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
論文参考訳（メタデータ） (2024-03-14T17:00:29Z)
AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
論文参考訳（メタデータ） (2024-01-23T18:45:54Z)
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)
DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving [69.82743399946371]
DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
論文参考訳（メタデータ） (2023-12-14T18:59:05Z)
Applications of Large Scale Foundation Models for Autonomous Driving [22.651585322658686]
大規模言語モデル(LLM)とチャットシステム、例えばチャットGPTやPaLMは、自然言語処理(NLP)において人工知能(AGI)を実現するための有望な方向性として急速に現れつつある。本稿では、シミュレーション、世界モデル、データアノテーションと計画、E2Eソリューションなどに分類される、自動運転に応用された基礎モデルとLLMの技術について検討する。
論文参考訳（メタデータ） (2023-11-20T19:45:27Z)
LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
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)
SuperDriverAI: Towards Design and Implementation for End-to-End Learning-based Autonomous Driving [0.0]
我々はSuperDriver AIというエンド・ツー・エンドの学習に基づく自律走行システムを提案する。 Deep Neural Networks (DNN)は、経験豊富な人間ドライバーから運転行動とポリシーを学び、運転操作を決定する。我々は東京の1つの運転シナリオで150回の走行を収集し、現実世界の車両でSuperDriver AIのデモを見せた。
論文参考訳（メタデータ） (2023-05-14T10:13:58Z)
Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
論文参考訳（メタデータ） (2022-02-08T11:55:05Z)
Predicting Physical World Destinations for Commands Given to Self-Driving Cars [19.71691537605694]
本稿では,与えられた命令を実行した後,車が到達する必要がある3D宛先を注釈付けする拡張を提案する。我々は、この特定の設定に適合した以前の作品より優れたモデルを導入する。
論文参考訳（メタデータ） (2021-12-10T09:51:16Z)
AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning [17.43502069023518]
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。
論文参考訳（メタデータ） (2021-10-17T14:50:41Z)

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。