論文の概要: Explaining Autonomous Driving Actions with Visual Question Answering

• arxiv url: http://arxiv.org/abs/2307.10408v1
• Date: Wed, 19 Jul 2023 18:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 15:48:42.428615
• Title: Explaining Autonomous Driving Actions with Visual Question Answering
• Title（参考訳）: 視覚質問応答による自律運転行動の説明
• Authors: Shahin Atakishiyev, Mohammad Salameh, Housam Babiker, Randy Goebel
• Abstract要約: 本稿では,質問応答に基づく因果推論を用いた運転行動の説明を行う視覚質問応答(VQA)フレームワークを提案する。 実証的な結果は、VQAメカニズムが自動運転車のリアルタイム意思決定を支援することを示唆している。
• 参考スコア（独自算出の注目度）: 3.0072636355661277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The end-to-end learning ability of self-driving vehicles has achieved significant milestones over the last decade owing to rapid advances in deep learning and computer vision algorithms. However, as autonomous driving technology is a safety-critical application of artificial intelligence (AI), road accidents and established regulatory principles necessitate the need for the explainability of intelligent action choices for self-driving vehicles. To facilitate interpretability of decision-making in autonomous driving, we present a Visual Question Answering (VQA) framework, which explains driving actions with question-answering-based causal reasoning. To do so, we first collect driving videos in a simulation environment using reinforcement learning (RL) and extract consecutive frames from this log data uniformly for five selected action categories. Further, we manually annotate the extracted frames using question-answer pairs as justifications for the actions chosen in each scenario. Finally, we evaluate the correctness of the VQA-predicted answers for actions on unseen driving scenes. The empirical results suggest that the VQA mechanism can provide support to interpret real-time decisions of autonomous vehicles and help enhance overall driving safety.
• Abstract（参考訳）: 自動運転車のエンドツーエンド学習能力は、ディープラーニングとコンピュータビジョンアルゴリズムの急速な進歩により、過去10年間で大きなマイルストーンを達成している。 しかし、自律運転技術は、人工知能(AI)、道路事故、確立された規制原則の安全に不可欠な応用であるため、自動運転車のインテリジェントな行動選択の説明可能性の必要性が求められる。 自律運転における意思決定の解釈を容易にするために,質問応答に基づく因果推論による運転行動の説明を行う視覚質問応答(VQA)フレームワークを提案する。 そこで,我々はまず,強化学習(RL)を用いてシミュレーション環境で運転映像を収集し,このログデータから連続フレームを抽出し,選択した5つのアクションカテゴリを均一に抽出する。 さらに,各シナリオで選択されたアクションの正当化として,質問応答ペアを用いて抽出したフレームを手動で注釈付けする。 最後に,VQA予測された運転シーンの動作に対する正当性を評価する。 実証的な結果は、VQAメカニズムが、自動運転車のリアルタイム決定を解釈し、全体の運転安全性を高めるのに役立つことを示唆している。

関連論文リスト

• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Incorporating Explanations into Human-Machine Interfaces for Trust and Situation Awareness in Autonomous Vehicles [4.1636282808157254]
  自動車の自律性に対する信頼構築において、説明可能なAIとヒューマン・マシン・インタフェースが共に果たす役割について検討する。 自動運転行動に対するユーザの信頼度を調整するための状況認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T23:02:13Z)
• DriveLM: Driving with Graph Visual Question Answering [57.51930417790141]
  本研究では,Webスケールデータに基づいて学習した視覚言語モデル(VLM)を,エンド・ツー・エンドの運転システムに統合する方法について検討する。 グラフVQAとエンドツーエンド駆動を併用するVLMベースラインアプローチ(DriveLM-Agent)を提案する。
  論文  参考訳（メタデータ） (2023-12-21T18:59:12Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network [7.812717451846781]
  本稿では,運転者の対話意図を潜伏する社会心理学的パラメータにエンコードする行動モデルを提案する。 我々は、自律走行車決定のための後退水平最適化に基づく制御器を開発した。 我々は,提案する意思決定モジュールについて,強制的な高速道路合併シナリオにおいて広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-31T03:31:09Z)
• 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)
• Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles [11.463476667274051]
  運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。 本稿では,RAILアルゴリズムを提案する。 提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
  論文  参考訳（メタデータ） (2021-12-26T23:42:49Z)
• Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving [1.995792341399967]
  マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。 提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
  論文  参考訳（メタデータ） (2021-05-13T19:17:30Z)
• 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)
• Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study [9.602219035367066]
  本研究は、深部強化学習(DRL)を用いた自動運転車の高速道路意思決定戦略を最適化するものである。 最適制御問題として、自動車両のオーバーテイク決定問題を定式化する。 シミュレーションの結果,エゴ車両は学習および訓練後の運転課題を安全かつ効率的に達成できることが判明した。
  論文  参考訳（メタデータ） (2020-07-16T14:09:20Z)

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。