論文の概要: Infrastructure-based End-to-End Learning and Prevention of Driver
Failure
- arxiv url: http://arxiv.org/abs/2303.12224v1
- Date: Tue, 21 Mar 2023 22:55:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 15:57:03.292969
- Title: Infrastructure-based End-to-End Learning and Prevention of Driver
Failure
- Title(参考訳): インフラストラクチャに基づくエンドツーエンド学習とドライバ障害の防止
- Authors: Noam Buckman, Shiva Sreeram, Mathias Lechner, Yutong Ban, Ramin
Hasani, Sertac Karaman, Daniela Rus
- Abstract要約: フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
- 参考スコア(独自算出の注目度): 68.0478623315416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent intersection managers can improve safety by detecting dangerous
drivers or failure modes in autonomous vehicles, warning oncoming vehicles as
they approach an intersection. In this work, we present FailureNet, a recurrent
neural network trained end-to-end on trajectories of both nominal and reckless
drivers in a scaled miniature city. FailureNet observes the poses of vehicles
as they approach an intersection and detects whether a failure is present in
the autonomy stack, warning cross-traffic of potentially dangerous drivers.
FailureNet can accurately identify control failures, upstream perception
errors, and speeding drivers, distinguishing them from nominal driving. The
network is trained and deployed with autonomous vehicles in the MiniCity.
Compared to speed or frequency-based predictors, FailureNet's recurrent neural
network structure provides improved predictive power, yielding upwards of 84%
accuracy when deployed on hardware.
- Abstract(参考訳): インテリジェントな交差点管理者は、自動運転車の危険なドライバーや障害モードを検出し、交差点に近づいてくる車両に警告を発することで安全性を向上させることができる。
本研究では,大規模都市における名目および無謀なドライバーの軌跡を終末的に学習するニューラルネットワークであるFailureNetを紹介する。
failurenetは、交差点に近づく車両の姿勢を観察し、自律性スタックに障害が存在するかどうかを検知し、潜在的に危険なドライバーのクロストラフィックに警告する。
failurenetは、制御障害、上流の知覚エラー、ドライバーのスピードを正しく識別し、名目上の運転と区別することができる。
このネットワークはMiniCityの自動運転車で訓練され、展開されている。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を改善し、ハードウェアにデプロイすると84%以上の精度が得られる。
関連論文リスト
- FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳(メタデータ) (2022-12-05T08:25:09Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳(メタデータ) (2022-10-31T20:12:17Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention [5.23886447414886]
本研究では,道路セグメントレベルにおいて,人気のあるモビリティシミュレータSUMOが生成する交通流データにグラフモデリングを適用した。
提案手法を用いて,車線変更検出の性能評価を行った。
実験の結果,提案したレーン-GNNは運転者の車線変更意図を90秒以内に99.42%の精度で検出できることがわかった。
論文 参考訳(メタデータ) (2022-07-02T12:53:56Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳(メタデータ) (2022-03-15T22:10:01Z) - Neural Network Guided Evolutionary Fuzzing for Finding Traffic
Violations of Autonomous Vehicles [15.702721819948623]
既存のテスト方法は、自動運転車のエンドツーエンドの動作をチェックするのに不十分である。
本稿では,広く使用されているAVシミュレータのAPI文法を活用可能な,AutoFuzzと呼ばれるファジテスト手法を提案する。
AutoFuzzは、現実の事故に似た何百もの現実的な交通違反を効率的に見つける。
論文 参考訳(メタデータ) (2021-09-13T17:05:43Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data [17.156611944404883]
DeepTakeは、取得行動の複数の側面を予測する新しいディープニューラルネットワークベースのフレームワークである。
車両データ、ドライバーバイオメトリックス、主観的測定からの特徴を用いて、deeptakeはドライバーの意図、時間、乗っ取りの質を予測する。
その結果、DeepTakeは、それぞれ96%、93%、83%の精度で、取得の意図、時間、および品質を確実に予測しています。
論文 参考訳(メタデータ) (2020-12-31T04:24:46Z) - Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal
Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。
現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。
本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文 参考訳(メタデータ) (2020-08-01T20:21:48Z)
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。