論文の概要: Waymo's Fatigue Risk Management Framework: Prevention, Monitoring, and
Mitigation of Fatigue-Induced Risks while Testing Automated Driving Systems
- arxiv url: http://arxiv.org/abs/2208.12833v1
- Date: Fri, 26 Aug 2022 18:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:49:31.924942
- Title: Waymo's Fatigue Risk Management Framework: Prevention, Monitoring, and
Mitigation of Fatigue-Induced Risks while Testing Automated Driving Systems
- Title(参考訳): Waymoの疲労リスク管理フレームワーク:自動運転システムのテスト中における疲労リスクの防止・監視・軽減
- Authors: Francesca Favaro, Keith Hutchings, Philip Nemec, Leticia Cavalcante,
Trent Victor
- Abstract要約: 疲労は、人間のドライバーが関与するオンロードクラッシュのかなりの部分において、寄与要因として認識されている。
提案されたフレームワークは、継続的改善を組み込むためにフレキシブルなままである。
自動化の低いレベルにも影響し、適用性も低下します。
- 参考スコア(独自算出の注目度): 2.5986537671316268
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This report presents Waymo's proposal for a systematic fatigue risk
management framework that addresses prevention, monitoring, and mitigation of
fatigue-induced risks during on-road testing of ADS technology. The proposed
framework remains flexible to incorporate continuous improvements, and was
informed by state of the art practices, research, learnings, and experience
(both internal and external to Waymo). Fatigue is a recognized contributory
factor in a substantial fraction of on-road crashes involving human drivers,
and mitigation of fatigue-induced risks is still an open concern researched
world-wide. While the proposed framework was specifically designed in relation
to on-road testing of SAE Level 4 ADS technology, it has implications and
applicability to lower levels of automation as well.
- Abstract(参考訳): 本報告では,ADS技術のオンロードテストにおける疲労誘発リスクの防止,監視,緩和に対処する,系統的疲労リスク管理フレームワークを提案する。
提案されたフレームワークは、継続的改善を取り入れるにはフレキシブルであり、技術プラクティス、研究、学習、経験(Waymoの内部および外部の両方)の状況によって通知された。
疲労は、人間のドライバーによる路上衝突のかなりの部分で認識されている要因であり、疲労によって引き起こされるリスクの軽減は、世界中で研究されているオープンな関心事である。
提案するフレームワークは,SAE Level 4 ADS技術のオンロードテストに特化して設計されているが,低レベルの自動化にも適用可能である。
関連論文リスト
- Prioritizing Safeguarding Over Autonomy: Risks of LLM Agents for Science [67.38554763406098]
大規模言語モデル(LLM)を利用したインテリジェントエージェントは、自律的な実験を行い、様々な分野にわたる科学的発見を促進する上で、大きな可能性を証明している。
彼らの能力は有望だが、安全を慎重に考慮する必要がある新たな脆弱性も導入している。
本稿では,科学領域におけるLSMをベースとしたエージェントの脆弱性の徹底的な調査を行い,その誤用に伴う潜在的なリスクに光を当て,安全性対策の必要性を強調した。
論文 参考訳(メタデータ) (2024-02-06T18:54:07Z) - LADRI: LeArning-based Dynamic Risk Indicator in Automated Driving System [0.38073142980732994]
本稿では,自動運転システム(ADS)におけるリアルタイム動的リスクアセスメントのためのフレームワークを提案する。
提案手法はこれらの制限を超越し、ニューラルネットワーク(ANN)を用いてリスク次元を慎重に分析し分類する。
論文 参考訳(メタデータ) (2024-01-04T11:09:15Z) - Safeguarded Progress in Reinforcement Learning: Safe Bayesian
Exploration for Control Policy Synthesis [63.532413807686524]
本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。
探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-12-18T16:09:43Z) - 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) - Anticipatory Thinking Challenges in Open Worlds: Risk Management [7.820667552233988]
AIシステムが日々の生活の一部になるにつれ、彼らもリスクを管理し始めています。
低周波で高インパクトなリスクを識別し緩和する学習は、機械学習モデルをトレーニングするために必要な観察バイアスと相反する。
私たちのゴールは、オープンワールドと究極的には現実世界のリスクを管理するためにAIエージェントが必要とする予測思考を評価し改善するソリューションの研究を促進することです。
論文 参考訳(メタデータ) (2023-06-22T18:31:17Z) - RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework
based on Driving Risk Potential Field [1.625213292350038]
本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。
既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。
実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
論文 参考訳(メタデータ) (2023-05-04T01:54:37Z) - To Risk or Not to Risk: Learning with Risk Quantification for IoT Task
Offloading in UAVs [3.6118662460334527]
スマートファームのIoTネットワークのための意思決定アルゴリズムをタスクオフロードするために,深層強化学習技術が提案されている。
この技術は、コスト関数や条件変数のリスク(CVaR)といった金融的概念を用いて、リスク行動ごとに生じる損傷を定量化する。
提案手法は,他の深部強化学習手法と2つの固定ルールベース手法と比較した。
シミュレーションの結果,CVaRに基づくリスク手法は,火災検知タスクの期限を超過した最も危険なリスクを排除した。
論文 参考訳(メタデータ) (2023-02-14T23:50:37Z) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳(メタデータ) (2022-12-19T17:51:47Z) - SOTIF Entropy: Online SOTIF Risk Quantification and Mitigation for
Autonomous Driving [16.78084912175149]
本稿では,SOTIFリスクを最小化するための体系的アプローチとして,自己監視・自己適応システムを提案する。
このシステムのコアは、自動運転車内で実装された人工知能アルゴリズムのリスクモニタリングである。
固有認識アルゴリズムのリスクと外部衝突のリスクは、SOTIFエントロピーを介して共同で定量化される。
論文 参考訳(メタデータ) (2022-11-08T05:02:12Z) - A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。
我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。
今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
論文 参考訳(メタデータ) (2022-05-12T02:20:34Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳(メタデータ) (2020-06-26T11:07:32Z)
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。