論文の概要: ROAD-R: The Autonomous Driving Dataset with Logical Requirements

• arxiv url: http://arxiv.org/abs/2210.01597v2
• Date: Wed, 5 Oct 2022 11:42:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:42:33.696894
• Title: ROAD-R: The Autonomous Driving Dataset with Logical Requirements
• Title（参考訳）: ROAD-R:論理的要求を伴う自律運転データセット
• Authors: Eleonora Giunchiglia and Mihaela C\u{a}t\u{a}lina Stoian and Salman Khan and Fabio Cuzzolin and Thomas Lukasiewicz
• Abstract要約: 論理要求付きROADイベント認識データセット(ROAD-R)を紹介する。 ROAD-Rは、論理的制約として表現された要件を持つ、自動運転のための最初の公開データセットである。 我々は、(i)パフォーマンスが良く、(ii)要求自体に準拠することが保証されているモデルを作成するためにそれらを活用できることを示します。
• 参考スコア（独自算出の注目度）: 54.608762221119406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks have proven to be very powerful at computer vision tasks. However, they often exhibit unexpected behaviours, violating known requirements expressing background knowledge. This calls for models (i) able to learn from the requirements, and (ii) guaranteed to be compliant with the requirements themselves. Unfortunately, the development of such models is hampered by the lack of datasets equipped with formally specified requirements. In this paper, we introduce the ROad event Awareness Dataset with logical Requirements (ROAD-R), the first publicly available dataset for autonomous driving with requirements expressed as logical constraints. Given ROAD-R, we show that current state-of-the-art models often violate its logical constraints, and that it is possible to exploit them to create models that (i) have a better performance, and (ii) are guaranteed to be compliant with the requirements themselves.
• Abstract（参考訳）: ニューラルネットワークはコンピュータビジョンタスクにおいて非常に強力であることが証明されている。 しかし、それらはしばしば予期せぬ行動を示し、背景知識を表す既知の要求に違反する。 これはモデルを呼び出す (i)要件から学ぶことができること、 (二)要件そのものに準拠することが保証される。 残念ながら、これらのモデルの開発は、公式に指定された要件を備えたデータセットの欠如によって妨げられている。 本稿では、論理的制約として表現された自律運転のための最初の公開データセットである論理的要件付きROADイベント認識データセット(ROAD-R)を紹介する。 ROAD-Rを考えると、現在の最先端モデルはしばしばその論理的制約に反し、それらを利用してモデルを作成することが可能であることを示す。 (i)パフォーマンスが良く、 (ii)要件そのものに準拠することが保証される。

関連論文リスト

• Adaptable Embeddings Network (AEN) [49.1574468325115]
  我々はカーネル密度推定(KDE)を用いた新しいデュアルエンコーダアーキテクチャであるAdaptable Embeddings Networks (AEN)を紹介する。 AENは、再トレーニングせずに分類基準のランタイム適応を可能にし、非自己回帰的である。 アーキテクチャのプリプロセスとキャッシュ条件の埋め込み能力は、エッジコンピューティングアプリケーションやリアルタイム監視システムに最適である。
  論文  参考訳（メタデータ） (2024-11-21T02:15:52Z)
• Online Resource Allocation for Edge Intelligence with Colocated Model Retraining and Inference [5.6679198251041765]
  我々は、トレーニングモデルと推論の精度を適応的にバランスするリソース割り当てを最適化するために、ORRICというオンライン近似アルゴリズムを導入する。 ORRICの競合比は従来の推論オンリーパラダイムよりも優れている。
  論文  参考訳（メタデータ） (2024-05-25T03:05:19Z)
• Exploiting T-norms for Deep Learning in Autonomous Driving [60.205021207641174]
  自律運転におけるイベント検出のタスクにおいて,メモリ効率のよいtノルムに基づく損失をどうやって定義できるかを示す。
  論文  参考訳（メタデータ） (2024-02-17T18:51:21Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Machine Learning with Requirements: a Manifesto [114.97965827971132]
  要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。 私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
  論文  参考訳（メタデータ） (2023-04-07T14:47:13Z)
• An active inference model of car following: Advantages and applications [6.905724739762358]
  ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。 データ駆動機械学習モデルは、ルールベースのモデルよりも能力が高いが、大規模なトレーニングデータセットの必要性と、解釈可能性の欠如によって制限されている。 本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-27T13:39:26Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• SaDe: Learning Models that Provably Satisfy Domain Constraints [16.46852109556965]
  我々は、さまざまな制約を処理できる機械学習アプローチを提案し、これらの制約が目に見えないデータでもモデルによって満たされることを保証する。 機械学習を最大満足度問題とみなし,制約満足度と勾配降下度を組み合わせた新しいアルゴリズムSaDeを用いて解いた。
  論文  参考訳（メタデータ） (2021-12-01T15:18:03Z)
• Knowledge-Assisted Reasoning of Model-Augmented System Requirements with Event Calculus and Goal-Directed Answer Set Programming [0.745426949232689]
  我々は、行動や変化を表現するためにAIで使用されるフォーマリズムであるイベント計算(EC)を用いて、サイバー物理システムの要件をどのようにモデル化できるかを示す。 また、ASPとそのクエリ駆動実装 s(CASP) を用いて、要求のイベント計算モデルを直接実現できることを示す。
  論文  参考訳（メタデータ） (2021-09-10T02:43:08Z)
• Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
  新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-10-30T19:37:48Z)

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。