論文の概要: Hidden Biases of End-to-End Driving Models

• arxiv url: http://arxiv.org/abs/2306.07957v1
• Date: Tue, 13 Jun 2023 17:55:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 12:25:20.945671
• Title: Hidden Biases of End-to-End Driving Models
• Title（参考訳）: エンド・ツー・エンド運転モデルの隠れバイアス
• Authors: Bernhard Jaeger and Kashyap Chitta and Andreas Geiger
• Abstract要約: ほぼすべての最先端の手法で再帰する2つのバイアスを同定し、CARLAにおける観察の進歩に不可欠である。 TF++は、Longest6とLAVベンチマークで最初にランク付けするシンプルなエンドツーエンドのメソッドで、Longest6の最高の先行作業で14の駆動スコアを得た。
• 参考スコア（独自算出の注目度）: 40.22599454107257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end driving systems have recently made rapid progress, in particular on CARLA. Independent of their major contribution, they introduce changes to minor system components. Consequently, the source of improvements is unclear. We identify two biases that recur in nearly all state-of-the-art methods and are critical for the observed progress on CARLA: (1) lateral recovery via a strong inductive bias towards target point following, and (2) longitudinal averaging of multimodal waypoint predictions for slowing down. We investigate the drawbacks of these biases and identify principled alternatives. By incorporating our insights, we develop TF++, a simple end-to-end method that ranks first on the Longest6 and LAV benchmarks, gaining 14 driving score over the best prior work on Longest6.
• Abstract（参考訳）: エンドツーエンドの運転システムは、特にCARLAにおいて、最近急速に進歩している。 主要な貢献とは独立して、マイナーなシステムコンポーネントに変更を導入する。 その結果、改善の源は明らかでない。 ほぼすべての最先端手法で再帰する2つのバイアスを同定し,CARLAにおける観察の進展に重要な要因として,(1)目標点に対する強い誘導バイアスによる横方向の回復,(2)減速のためのマルチモーダルなウェイポイント予測の経時的平均化を挙げる。 これらのバイアスの欠点を調査し、原理的な代替案を特定した。 私たちの洞察を取り入れたTF++は、Longest6とLAVベンチマークで最初にランク付けするシンプルなエンドツーエンドメソッドで、Longest6の最高の先行作業で14の駆動スコアを獲得しています。

関連論文リスト

• LoRD: Adapting Differentiable Driving Policies to Distribution Shifts [16.275782069986253]
  運用領域間の分散シフトは、自動運転車における学習モデルの性能に重大な影響を与える可能性がある。 低ランク残差復号器 (LoRD) とマルチタスクファインチューニング (Multi-task fine-tuning) である。 提案手法は, 通常の微調整に比べて最大23.33%, 閉ループOOD駆動スコア8.83%の誤差を補正する。
  論文  参考訳（メタデータ） (2024-10-13T00:36:11Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  コストのかかるラベルを必要とせずにエンドツーエンドの運転を改善するための,新しい自己管理手法を提案する。 フレームワーク textbfLAW は LAtent World モデルを用いて,予測エゴアクションと現在のフレームの潜在機能に基づいて,今後の潜在機能を予測する。 その結果,オープンループベンチマークとクローズループベンチマークの両方において,コストのかかるアノテーションを使わずに最先端のパフォーマンスを実現することができた。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Multi-agent Traffic Prediction via Denoised Endpoint Distribution [23.767783008524678]
  高速での軌道予測には歴史的特徴と周囲の物体との相互作用が必要である。 軌道予測のためのDenoized Distributionモデルを提案する。 我々のアプローチは、エンドポイント情報によるモデルの複雑さとパフォーマンスを著しく削減します。
  論文  参考訳（メタデータ） (2024-05-11T15:41:32Z)
• Disentangling Length from Quality in Direct Preference Optimization [93.74831404396174]
  RLHF(Reinforcement Learning from Human Feedback)は、近年の大規模言語モデルの成功において重要な要素である。 RLHFは、冗長性のような人間の嗜好のバイアスを利用することが知られている。 我々は,モデル品質の改善を維持しつつ,長さの搾取を防止するための基本的かつ単純な正規化戦略を開発する。
  論文  参考訳（メタデータ） (2024-03-28T06:03:47Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• 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)
• Accurate non-stationary short-term traffic flow prediction method [0.0]
  本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。 提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
  論文  参考訳（メタデータ） (2022-05-01T17:11:34Z)
• Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
  レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。 自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ 本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-09-22T13:59:27Z)
• FuSSI-Net: Fusion of Spatio-temporal Skeletons for Intention Prediction Network [3.5581822321535785]
  昼夜のシナリオでよく機能するエンドツーエンドの歩行者意図フレームワークを開発する。 我々のフレームワークは、人間のポーズの骨格的特徴と組み合わされた異物検出境界ボックスに依存している。
  論文  参考訳（メタデータ） (2020-05-15T21:52:42Z)

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。