Fugu-MT 論文翻訳(概要): Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving

論文の概要: Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving

arxiv url: http://arxiv.org/abs/2306.11759v1
Date: Tue, 20 Jun 2023 07:51:14 GMT
ステータス: 処理完了
システム内更新日: 2023-06-22 16:23:45.592510
Title: Deep Learning Accelerator in Loop Reliability Evaluation for Autonomous Driving
Title（参考訳）: 自律運転におけるループ信頼性評価のためのディープラーニング加速器
Authors: Haitong Huang, Cheng Liu
Abstract要約: 自律運転システムで使用される深層学習アクセラレータ(DLA)の信頼性はシステムの安全性に大きな影響を及ぼす。 DLA設計段階でシステムの信頼性を評価するためのDLA-in-loop信頼性評価プラットフォームを提案する。
参考スコア（独自算出の注目度）: 4.117791714047135
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The reliability of deep learning accelerators (DLAs) used in autonomous driving systems has significant impact on the system safety. However, the DLA reliability is usually evaluated with low-level metrics like mean square errors of the output which remains rather different from the high-level metrics like total distance traveled before failure in autonomous driving. As a result, the high-level reliability metrics evaluated at the post-silicon stage may still lead to DLA design revision and result in expensive reliable DLA design iterations targeting at autonomous driving. To address the problem, we proposed a DLA-in-loop reliability evaluation platform to enable system reliability evaluation at the early DLA design stage.
Abstract（参考訳）: 自律運転システムで使用される深層学習アクセラレータ(DLA)の信頼性はシステムの安全性に大きな影響を及ぼす。しかしながら、DLAの信頼性は通常、アウトプットの平均2乗誤差のような低レベルのメトリクスで評価される。結果として、シリコン後の段階で評価された高レベルの信頼性指標は、依然としてDLA設計の見直しを招き、自律運転を目標とする高価な信頼性の高いDLA設計イテレーションをもたらす可能性がある。そこで我々は,初期のDLA設計段階でシステム信頼性評価を可能にするDLA-in-loop信頼性評価プラットフォームを提案する。

関連論文リスト

Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
論文参考訳（メタデータ） (2024-08-30T00:27:46Z)
SECRM-2D: RL-Based Efficient and Comfortable Route-Following Autonomous Driving with Analytic Safety Guarantees [5.156059061769101]
SECRM-2Dは、効率と快適性の最適化と固定経路に従うRL自律運転制御装置である。シミュレーションテストシナリオにおいて,SECRM-2Dをいくつかの学習ベースラインおよび非学習ベースラインに対して評価する。
論文参考訳（メタデータ） (2024-07-23T21:54:39Z)
Towards Stable 3D Object Detection [64.49059005467817]
安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
論文参考訳（メタデータ） (2024-07-05T07:17:58Z)
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)
Towards Driving-Oriented Metric for Lane Detection Models [19.81163190104571]
我々は、車線検出のための2つの新しい駆動指向メトリクスを設計する:エンド・ツー・エンド横方向偏差距離(E2E-LD)とフレームごとの擬似横方向偏差距離(PSLD)。提案手法の有効性を評価するため,TuSimpleデータセットと新たに構築したComma2k19-LDの4種類のレーン検出手法を用いて大規模実験を行った。
論文参考訳（メタデータ） (2022-03-31T07:24:44Z)
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)
Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving [20.85562165500152]
道路交通ジャンクションのシナリオでは、車両は通常、輸送環境から部分的な観察を受ける。本研究では,3つのベースラインDRLモデル(DQN,A2C,PPO)の安全性評価を行った。提案した自己認識注意-DQNは,交差点およびラウンドアバウンドシナリオにおける安全性を著しく向上させることができる。
論文参考訳（メタデータ） (2022-01-20T11:21:33Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文参考訳（メタデータ） (2020-11-03T01:46:35Z)
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文参考訳（メタデータ） (2020-10-14T09:41:06Z)
Interpretable Safety Validation for Autonomous Vehicles [44.44006029119672]
この研究は、自律システムの解釈可能な障害を見つけるためのアプローチを説明する。これらの失敗は、人間によって理解できる信号時相論理式によって記述される。
論文参考訳（メタデータ） (2020-04-14T21:11:43Z)

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。