論文の概要: Finding Needles in Haystack: Formal Generative Models for Efficient Massive Parallel Simulations

• arxiv url: http://arxiv.org/abs/2301.01594v1
• Date: Tue, 3 Jan 2023 16:55:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 16:14:54.616417
• Title: Finding Needles in Haystack: Formal Generative Models for Efficient Massive Parallel Simulations
• Title（参考訳）: Haystackにおける針の発見:効率的な大規模並列シミュレーションのための形式的生成モデル
• Authors: Osama Maqbool, J\"urgen Ro{\ss}mann
• Abstract要約: 著者らはベイズ最適化に基づく手法を提案し、望ましい結果をもたらすシナリオで生成モデルを効率的に学習する。 この方法論は、シナリオを記述するためにOpenSCENARIO標準を使用するエンドツーエンドフレームワークに統合されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increase in complexity of autonomous systems is accompanied by a need of data-driven development and validation strategies. Advances in computer graphics and cloud clusters have opened the way to massive parallel high fidelity simulations to qualitatively address the large number of operational scenarios. However, exploration of all possible scenarios is still prohibitively expensive and outcomes of scenarios are generally unknown apriori. To this end, the authors propose a method based on bayesian optimization to efficiently learn generative models on scenarios that would deliver desired outcomes (e.g. collisions) with high probability. The methodology is integrated in an end-to-end framework, which uses the OpenSCENARIO standard to describe scenarios, and deploys highly configurable digital twins of the scenario participants on a Virtual Test Bed cluster.
• Abstract（参考訳）: 自律システムの複雑さの増加には、データ駆動開発と検証戦略の必要性が伴う。 コンピュータグラフィックスとクラウドクラスタの進歩は、多数の運用シナリオに質的に対処する巨大な並列高忠実度シミュレーションへの道を開いた。 しかしながら、すべてのシナリオの探索は依然として違法に高価であり、シナリオの結果は一般的に不明である。 この目的のために著者らはベイズ最適化に基づく手法を提案し、高い確率で望ましい結果(例えば衝突)をもたらすシナリオの生成モデルを効率的に学習する。 この方法論は、シナリオを記述するためにOpenSCENARIO標準を使用し、Virtual Test Bedクラスタ上でシナリオ参加者の高度に構成可能なディジタルツインをデプロイするエンドツーエンドフレームワークに統合されている。

関連論文リスト

• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• CERES: Critical-Event Reconstruction via Temporal Scene Graph Completion [7.542220697870245]
  本稿では,実世界のデータに基づくシミュレーションにおけるオンデマンドシナリオ生成手法を提案する。 実世界のデータセットから得られたシナリオをシミュレーションに統合することにより、テストの妥当性と妥当性を高める。
  論文  参考訳（メタデータ） (2024-10-17T13:02:06Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Optimising Highly-Parallel Simulation-Based Verification of Cyber-Physical Systems [0.0]
  サイバー物理システム(CPS)は多くの産業関連領域で発生し、しばしばミッションクリティカルまたは安全クリティカルである。 CPSのシステムレベル検証(SLV)は、与えられた(例えば、安全か生きか)仕様が満たされているか、あるいはある価値を推定することを保証することを目的としている。
  論文  参考訳（メタデータ） (2023-07-28T08:08:27Z)
• Near-optimal Policy Identification in Active Reinforcement Learning [84.27592560211909]
  AE-LSVI はカーネル化された最小二乗値 RL (LSVI) アルゴリズムの新しい変種であり、楽観主義と悲観主義を組み合わせて活発な探索を行う。 AE-LSVIは初期状態に対するロバスト性が必要な場合、様々な環境で他のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:46:57Z)
• An Information-Theoretic Approach for Estimating Scenario Generalization in Crowd Motion Prediction [27.10815774845461]
  本稿では,ソース・クラウド・シナリオに基づいて学習したモデルの一般化を特徴付ける新しいスコアリング手法を提案する。 インタラクションコンポーネントはシナリオドメインの難易度を特徴付けることを目的としており、シナリオドメインの多様性はダイバーシティスコアで取得される。 提案手法の有効性をシミュレーションおよび実世界(ソース,ターゲット)の一般化タスクで検証した。
  論文  参考訳（メタデータ） (2022-11-02T01:39:30Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Deployment Optimization for Shared e-Mobility Systems with Multi-agent Deep Neural Search [15.657420177295624]
  共有e-mobilityサービスは世界中の都市で広くテストされ、試験運用されている。 本稿では,持続的な収益性を維持しつつ,ユーザに対してユビキタスなサービスを実現するための,空間的・時間的インフラストラクチャの展開と管理方法について検討する。 我々は,共有電子移動システムの主要動作詳細を粒度で抽象化した高忠実度シミュレーション環境を設計することで,この問題に対処する。
  論文  参考訳（メタデータ） (2021-11-03T11:37:11Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Multimodal Safety-Critical Scenarios Generation for Decision-Making Algorithms Evaluation [23.43175124406634]
  既存のニューラルネットワークベースの自律システムは、敵の攻撃に対して脆弱であることが示されている。 意思決定アルゴリズムの評価のためのフローベースマルチモーダル安全クリティカルシナリオジェネレータを提案する。 生成したトラフィックシナリオを用いて6つの強化学習アルゴリズムを評価し,その堅牢性に関する実証的な結論を提供する。
  論文  参考訳（メタデータ） (2020-09-16T15:16:43Z)

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。