論文の概要: LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty

• arxiv url: http://arxiv.org/abs/2209.11422v1
• Date: Fri, 23 Sep 2022 05:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:24:49.862944
• Title: LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
• Title（参考訳）: LEADER:不確実性下での計画のための運転行動に対する意識学習
• Authors: Mohamad H. Danesh and Panpan Cai and David Hsu
• Abstract要約: 人間の行動の不確実性は、混雑した都市環境での自動運転に重大な課題をもたらす。 本稿では,計画中の重要な人間の行動への参加を学習するアルゴリズムとして,運転中のbEhavioRsに対する学習注意(LEarning Attention over Driving)を提案する。
• 参考スコア（独自算出の注目度）: 20.408934362272163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty on human behaviors poses a significant challenge to autonomous driving in crowded urban environments. The partially observable Markov decision processes (POMDPs) offer a principled framework for planning under uncertainty, often leveraging Monte Carlo sampling to achieve online performance for complex tasks. However, sampling also raises safety concerns by potentially missing critical events. To address this, we propose a new algorithm, LEarning Attention over Driving bEhavioRs (LEADER), that learns to attend to critical human behaviors during planning. LEADER learns a neural network generator to provide attention over human behaviors in real-time situations. It integrates the attention into a belief-space planner, using importance sampling to bias reasoning towards critical events. To train the algorithm, we let the attention generator and the planner form a min-max game. By solving the min-max game, LEADER learns to perform risk-aware planning without human labeling.
• Abstract（参考訳）: 人間の行動の不確実性は、混雑した都市環境での自動運転に重大な課題をもたらす。 部分的に観測可能なマルコフ決定プロセス(POMDP)は、不確実性の下で計画するための原則的なフレームワークを提供する。 しかし、サンプリングは致命的なイベントの欠如による安全性の懸念も引き起こす。 そこで本研究では,計画中の重要な人間の行動に対応することを学習する新しいアルゴリズム,LEADERを提案する。 LEADERはニューラルネットワークジェネレータを学び、リアルタイムで人間の行動に注意を向ける。 重要事象に対するバイアス推論に重要サンプリングを用いることで、注意を信念空間プランナーに統合する。 アルゴリズムを訓練するために、アテンションジェネレータとプランナーをmin-maxゲームとして構成する。 最小限のゲームを解くことで、LEADERは人間のラベルなしでリスク認識計画を実行することを学ぶ。

関連論文リスト

• Human-In-The-Loop Machine Learning for Safe and Ethical Autonomous Vehicles: Principles, Challenges, and Opportunities [33.853994070508485]
  我々は、カリキュラム学習(CL)、ヒューマン・イン・ザ・ループ強化学習(HITL-RL)、アクティブ・ラーニング(AL)、倫理的原則に焦点を当てる。 CLでは、人間の専門家が単純なタスクから始めて、より難しいタスクへと徐々に進むことで、MLモデルを体系的に訓練する。 HITL-RLは報酬形成、アクションインジェクション、対話型学習といった技術を通じて人間の入力を組み込むことで、RLプロセスを大幅に強化する。 ALは、人間の監視でラベル付けする必要がある特定のインスタンスをターゲットにすることで、アノテーションプロセスを合理化する。
  論文  参考訳（メタデータ） (2024-08-22T17:02:29Z)
• Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness [34.77182116081535]
  統合型タスク・アンド・モーション・プランニング(TAMP)は、長期のロボット操作とナビゲーションの問題を一般化するための貴重なアプローチであることが証明されている。 これらの仮定は、プランナーが情報を収集し、リスクを認識した意思決定を行う能力を制限します。 本研究では,初期状態と行動結果の不確実性を伴う長期計画問題を効果的に解決できる不確実性とリスク認識(TAMPURA)を備えたTAMP戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-15T16:42:14Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Important Object Identification with Semi-Supervised Learning for Autonomous Driving [37.654878298744855]
  本稿では,エゴセントリック駆動シナリオにおける重要な物体識別のための新しい手法を提案する。 モデルが無制限なラベル付きデータから学習できるようにするための,半教師付き学習パイプラインを提案する。 私たちのアプローチはルールベースのベースラインよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-03-05T01:23:13Z)
• Learning to Be Cautious [71.9871661858886]
  強化学習の分野における重要な課題は、新しい状況下で慎重に行動するエージェントを開発することである。 注意深い行動がますます不要になるタスクのシーケンスと、システムが注意深いことを実証するアルゴリズムを提示する。
  論文  参考訳（メタデータ） (2021-10-29T16:52:45Z)
• How To Not Drive: Learning Driving Constraints from Demonstration [0.0]
  本研究では,人間の運転軌跡から運動計画制約を学習するための新しい手法を提案する。 行動計画は、交通規則に従うために要求される高いレベルの意思決定に責任を負う。 運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
  論文  参考訳（メタデータ） (2021-10-01T20:47:04Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• Attention-Based Planning with Active Perception [21.35365462532568]
  本稿では,マルコフ決定過程における注意の計算モデルと注意に基づく確率的計画法を提案する。 異なる注意モードを切り替えることで、ロボットはタスク関連情報を積極的に認識し、ほぼ最適のタスク性能を達成しつつ、情報取得と処理のコストを削減する。
  論文  参考訳（メタデータ） (2020-11-30T19:07:28Z)
• Perceive, Attend, and Drive: Learning Spatial Attention for Safe Self-Driving [84.59201486239908]
  本稿では,入力の重要領域への自動参加を学習するスパースアテンションモジュールを備えたエンドツーエンドの自動運転ネットワークを提案する。 注意モジュールは特に運動計画をターゲットにしているが、以前の文献は知覚タスクにのみ注意を向けていた。
  論文  参考訳（メタデータ） (2020-11-02T17:47:54Z)

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。