論文の概要: A Survey on Knowledge Graph-based Methods for Automated Driving
- arxiv url: http://arxiv.org/abs/2210.08119v1
- Date: Fri, 30 Sep 2022 15:47:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:45:09.692331
- Title: A Survey on Knowledge Graph-based Methods for Automated Driving
- Title(参考訳): 知識グラフに基づく自動走行法に関する調査研究
- Authors: Juergen Luettin, Sebastian Monka, Cory Henson, Lavdim Halilaj
- Abstract要約: 知識グラフ(KG)は、構造化データ、動的データ、およびリレーショナルデータを活用することで恩恵を受けるアプリケーションに対して、業界と学術の両方から大きな注目を集めている。
我々は、現在研究課題を議論し、自動運転のためのKGベースのソリューションについて、将来的な研究方向性を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated driving is one of the most active research areas in computer
science. Deep learning methods have made remarkable breakthroughs in machine
learning in general and in automated driving (AD)in particular. However, there
are still unsolved problems to guarantee reliability and safety of automated
systems, especially to effectively incorporate all available information and
knowledge in the driving task. Knowledge graphs (KG) have recently gained
significant attention from both industry and academia for applications that
benefit by exploiting structured, dynamic, and relational data. The complexity
of graph-structured data with complex relationships and inter-dependencies
between objects has posed significant challenges to existing machine learning
algorithms. However, recent progress in knowledge graph embeddings and graph
neural networks allows to applying machine learning to graph-structured data.
Therefore, we motivate and discuss the potential benefit of KGs applied to the
main tasks of AD including 1) ontologies 2) perception, 3) scene understanding,
4) motion planning, and 5) validation. Then, we survey, analyze and categorize
ontologies and KG-based approaches for AD. We discuss current research
challenges and propose promising future research directions for KG-based
solutions for AD.
- Abstract(参考訳): 自動運転はコンピュータ科学で最も活発な研究分野の一つである。
ディープラーニングの手法は、マシンラーニング全般、特に自動運転(AD)において顕著なブレークスルーを遂げている。
しかし、自動化システムの信頼性と安全性を保証し、特に運転タスクで利用可能なすべての情報と知識を効果的に組み込むことは、まだ未解決である。
知識グラフ(KG)は最近、構造化データ、動的データ、リレーショナルデータを活用することで恩恵を受けるアプリケーションのために、業界と学術の両方から大きな注目を集めている。
複雑な関係とオブジェクト間の相互依存性を持つグラフ構造データの複雑性は、既存の機械学習アルゴリズムに重大な課題をもたらした。
しかし、知識グラフ埋め込みとグラフニューラルネットワークの最近の進歩により、グラフ構造化データに機械学習を適用することができる。
したがって、ADを含む主要な業務に適用されるKGの潜在的な利益を動機づけ、議論する。
1)オントロジー
2)知覚
3)シーン理解。
4)運動計画,及び
5)検証。
次に,オントロジーとkgベースのアプローチを調査し,分析し,分類する。
我々は,現在の研究課題を議論し,広告のためのkg型ソリューションの今後の研究方向性を提案する。
関連論文リスト
- Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳(メタデータ) (2024-06-08T23:38:03Z) - Utilizing Background Knowledge for Robust Reasoning over Traffic
Situations [63.45021731775964]
我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。
本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。
交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
論文 参考訳(メタデータ) (2022-12-04T09:17:24Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳(メタデータ) (2022-11-27T13:07:14Z) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳(メタデータ) (2022-05-02T21:42:45Z) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳(メタデータ) (2022-01-04T18:31:31Z) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳(メタデータ) (2021-03-01T04:20:33Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳(メタデータ) (2020-07-31T13:21:33Z) - HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing [19.416373111152613]
本稿では,HGKTと呼ばれる階層的グラフ知識追跡モデルを提案する。
具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。
テスト段階では、知識の熟達と問題スキーマの推移を辿ることのできるK&S診断行列を提示する。
論文 参考訳(メタデータ) (2020-06-13T07:09:52Z) - Knowledge Graph semantic enhancement of input data for improving AI [0.0]
機械学習アルゴリズムを用いて設計されたインテリジェントシステムは、大量のラベル付きデータを必要とする。
背景知識は、限定ラベル付きデータを拡張して機械学習アルゴリズムを訓練する、補完的で現実的な事実情報を提供する。
知識グラフ(KG)は、多くの実践的な応用において、グラフの形でこれらの背景知識を整理するのに便利で有用である。
論文 参考訳(メタデータ) (2020-05-10T17:37:38Z) - Scalable Active Learning for Object Detection [20.99502312184771]
アクティブラーニングは教師付き学習手法のデータ効率を向上させる強力な手法である。
自動運転の分野におけるアクティブな学習のためのスケーラブルな生産システムを構築しました。
論文 参考訳(メタデータ) (2020-04-09T17:28:56Z)
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。