論文の概要: survAIval: Survival Analysis with the Eyes of AI
- arxiv url: http://arxiv.org/abs/2305.18222v1
- Date: Tue, 23 May 2023 15:20:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-04 11:49:44.284919
- Title: survAIval: Survival Analysis with the Eyes of AI
- Title(参考訳): survAIval:AIの眼による生存分析
- Authors: Kamil Kowol, Stefan Bracke and Hanno Gottschalk
- Abstract要約: 本研究では,自動運転シミュレータと2人の人間ドライバーを用いて,自動運転のためのトレーニングデータを強化する新しい手法を提案する。
本研究は,これらのコーナーケースをトレーニング中に取り入れることで,テスト中のコーナーケースの認識が向上することを示す。
- 参考スコア(独自算出の注目度): 0.6445605125467573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose a novel approach to enrich the training data for
automated driving by using a self-designed driving simulator and two human
drivers to generate safety-critical corner cases in a short period of time, as
already presented in~\cite{kowol22simulator}. Our results show that
incorporating these corner cases during training improves the recognition of
corner cases during testing, even though, they were recorded due to visual
impairment. Using the corner case triggering pipeline developed in the previous
work, we investigate the effectiveness of using expert models to overcome the
domain gap due to different weather conditions and times of day, compared to a
universal model from a development perspective. Our study reveals that expert
models can provide significant benefits in terms of performance and efficiency,
and can reduce the time and effort required for model training. Our results
contribute to the progress of automated driving, providing a pathway for safer
and more reliable autonomous vehicles on the road in the future.
- Abstract(参考訳): 本研究では,運転シミュレータと2人のドライバーを用いて,自動運転のためのトレーニングデータを強化し,安全で重要なコーナーケースを短時間で生成する手法を提案する。
その結果,これらのコーナーケースを訓練中に組み込むことで,視覚障害により記録されたにもかかわらず,テスト中のコーナーケースの認識が向上することがわかった。
これまでの研究で開発されたコーナーケーストリガーパイプラインを用いて,開発の観点からの普遍モデルと比較して,気象条件や日時の違いによる領域ギャップを克服する専門家モデルの有効性を検討した。
本研究は,エキスパートモデルが性能と効率の面で大きなメリットをもたらし,モデルトレーニングに必要な時間と労力を削減できることを明らかにする。
この結果は,自動運転の進歩に寄与し,将来道路上での安全で信頼性の高い自動運転車の経路を提供する。
関連論文リスト
- 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) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳(メタデータ) (2023-12-11T13:27:51Z) - Analyze Drivers' Intervention Behavior During Autonomous Driving -- A
VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。
仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。
介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文 参考訳(メタデータ) (2023-12-04T06:36:57Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳(メタデータ) (2023-06-27T17:58:39Z) - Robustness Benchmark of Road User Trajectory Prediction Models for
Automated Driving [0.0]
車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。
同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。
効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
論文 参考訳(メタデータ) (2023-04-04T15:47:42Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳(メタデータ) (2022-05-04T17:55:12Z) - Passive and Active Learning of Driver Behavior from Electric Vehicles [3.6704226968275258]
運転者の振る舞いをモデル化することは、電気自動車のエネルギー消費の予測など、自動車業界にいくつかの利点をもたらす。
機械学習手法はドライバーの行動分類に広く使われており、いくつかの課題をもたらす可能性がある。
これには、長期のウィンドウ上のシーケンスモデリングや、高価なアノテーションによるラベル付きデータの欠如が含まれる。
論文 参考訳(メタデータ) (2022-03-04T08:18:02Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z) - Learning predictive representations in autonomous driving to improve
deep reinforcement learning [9.919972770800822]
新たな予測表現を用いた強化学習を自律運転に適用する。
新たな予測表現は、一般値関数(GVF)によって学習され、将来の車線中心性と道路角度の予測を提供する。
シミュレーションと実世界の両方の実験では、強化学習における予測表現が学習効率、制御の滑らかさ、およびエージェントが訓練中に表示されなかった道路への一般化を改善することが示されている。
論文 参考訳(メタデータ) (2020-06-26T17:17:47Z)
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。