論文の概要: Planning Automated Driving with Accident Experience Referencing and Common-sense Inferencing

• arxiv url: http://arxiv.org/abs/2301.10892v1
• Date: Thu, 26 Jan 2023 01:33:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 14:38:20.836166
• Title: Planning Automated Driving with Accident Experience Referencing and Common-sense Inferencing
• Title（参考訳）: 事故経験参照と常識参照を用いた自動運転計画
• Authors: Shaobo Qiu, Ji Li, Guoxi Chen, Hong Wang, and Boqi Li
• Abstract要約: 自動運転車の安全性を次世代にアップグレードするには、正しい脳が必要である。 本稿では,自動運転戦略脳(ADSB)の概念について述べる。 ADSBの脳アーキテクチャは、Experience Reference Engine (ERE)、Common-sense Reference Engine (CIE)、Goal and Value Keeper (GVK)で構成されている。
• 参考スコア（独自算出の注目度）: 4.362145385199189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although a typical autopilot system far surpasses humans in term of sensing accuracy, performance stability and response agility, such a system is still far behind humans in the wisdom of understanding an unfamiliar environment with creativity, adaptivity and resiliency. Current AD brains are basically expert systems featuring logical computations, which resemble the thinking flow of a left brain working at tactical level. A right brain is needed to upgrade the safety of automated driving vehicle onto next generation by making intuitive strategical judgements that can supervise the tactical action planning. In this work, we present the concept of an Automated Driving Strategical Brain (ADSB): a framework of a scene perception and scene safety evaluation system that works at a higher abstraction level, incorporating experience referencing, common-sense inferring and goal-and-value judging capabilities, to provide a contextual perspective for decision making within automated driving planning. The ADSB brain architecture is made up of the Experience Referencing Engine (ERE), the Common-sense Referencing Engine (CIE) and the Goal and Value Keeper (GVK). 1,614,748 cases from FARS/CRSS database of NHTSA in the period 1975 to 2018 are used for the training of ERE model. The kernel of CIE is a trained model, COMET-BART by ATOMIC, which can be used to provide directional advice when tactical-level environmental perception conclusions are ambiguous; it can also use future scenario models to remind tactical-level decision systems to plan ahead of a perceived hazard scene. GVK can take in any additional expert-hand-written rules that are of qualitative nature. Moreover, we believe that with good scalability, the ADSB approach provides a potential solution to the problem of long-tail corner cases encountered in the validation of a rule-based planning algorithm.
• Abstract（参考訳）: 典型的なオートパイロットシステムは、精度、パフォーマンスの安定性、応答の俊敏性の点で人間をはるかに上回るが、そのようなシステムは、創造性、適応性、レジリエンスで馴染みのない環境を理解するという知恵において、まだ人間よりはるかに優れている。 現在のAD脳は基本的に、戦術レベルで働く左脳の思考の流れに似た論理計算を特徴とするエキスパートシステムである。 戦術的行動計画を監督できる直感的な戦略判断を行うことにより、自動走行車の安全性を次世代にアップグレードするためには、正しい脳が必要である。 本研究では,ADSB(Automated Driving Strategical Brain)の概念として,自動走行計画における意思決定の文脈的視点を提供するために,体験参照,常識推論,目標・価値判断機能を取り入れた,より抽象的なレベルで動作するシーン認識とシーン安全評価システムの枠組みを提案する。 ADSBの脳アーキテクチャは、Experience Reference Engine (ERE)、Common-sense Reference Engine (CIE)、Goal and Value Keeper (GVK)で構成されている。 1975年から2018年までのNHTSAのFARS/CRSSデータベースから1,614,748件のEREモデルのトレーニングに使用されている。 cieのカーネルは訓練されたモデルであり、アトミックによるcomet-bartであり、戦術レベルの環境認識の結論が曖昧であるときに方向性のアドバイスを提供するのに使うことができる。 GVKは、質的な性質を持つ追加の専門家によるルールを取り入れることができる。 さらに, ADSB アプローチは, スケーラビリティが向上すれば, ルールベース計画アルゴリズムの検証において, 長いコーナーケースに遭遇する問題に対する潜在的な解決策となると信じている。

関連論文リスト

• Robustness Verification for Knowledge-Based Logic of Risky Driving Scenes [8.388107085036571]
  Data.govから72の事故データセットを収集し、それらを州別に整理します。 我々は、各州のデータセット上で決定木とXGBoostモデルをトレーニングし、事故判定ロジックを導出する。
  論文  参考訳（メタデータ） (2023-12-27T00:13:51Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• A Language Agent for Autonomous Driving [31.359413767191608]
  本稿では,人間のような知性を自律運転システムに統合するためのパラダイムシフトを提案する。 当社のアプローチはAgent-Driverと呼ばれ,汎用ツールライブラリを導入して,従来の自律走行パイプラインを変革する。 LLM(Large Language Models)によって駆動されるエージェントドライブには直感的な常識と堅牢な推論能力が備わっています。
  論文  参考訳（メタデータ） (2023-11-17T18:59:56Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• Automatically Learning Fallback Strategies with Model-Free Reinforcement Learning in Safety-Critical Driving Scenarios [9.761912672523977]
  本稿では, モデルレス強化学習(RL)エージェントに対して, 環境内の複数の動作モードを捉えるための原則的アプローチを提案する。 我々は、報酬モデルに擬似報酬項を導入し、最適政策によって特権付けられた領域とは異なる国家空間の領域への探索を奨励する。 我々は、トレーニング中に見逃されたであろう有用なポリシーを学習でき、制御アルゴリズムの実行時に使用できないことを示す。
  論文  参考訳（メタデータ） (2022-04-11T15:34:49Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Generalized dynamic cognitive hierarchy models for strategic driving behavior [13.415452801139843]
  我々は、自然主義的人間運転行動と自律走行車における行動計画の両方をモデル化するための一般化された動的認知階層の枠組みを開発する。 2つの大きな自然主義的データセットの評価に基づいて、動的レベル-kフレームワークにおけるレベル-0の振る舞いにオートマトン戦略が適していることを示す。
  論文  参考訳（メタデータ） (2021-09-20T21:49:52Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。