論文の概要: Co-Design of Out-of-Distribution Detectors for Autonomous Emergency
Braking Systems
- arxiv url: http://arxiv.org/abs/2307.13419v1
- Date: Tue, 25 Jul 2023 11:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 17:25:51.754454
- Title: Co-Design of Out-of-Distribution Detectors for Autonomous Emergency
Braking Systems
- Title(参考訳): 自律型緊急ブレーキシステムのための分散検出装置の共設計
- Authors: Michael Yuhas and Arvind Easwaran
- Abstract要約: 学習可能なコンポーネント(LEC)は、トレーニングディストリビューション外のサンプルを提示すると、誤った判断をする。
オフ・オブ・ディストリビューション(OOD)検出器はそのようなサンプルを検出するために提案されており、それによって安全モニターとして機能する。
我々は,このリスクモデルを用いた共同設計手法を定式化し,OOD検出器の設計パラメータとベースラインシステムより低いリスクを減少させるLECを求める。
- 参考スコア(独自算出の注目度): 4.406331747636832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning enabled components (LECs), while critical for decision making in
autonomous vehicles (AVs), are likely to make incorrect decisions when
presented with samples outside of their training distributions.
Out-of-distribution (OOD) detectors have been proposed to detect such samples,
thereby acting as a safety monitor, however, both OOD detectors and LECs
require heavy utilization of embedded hardware typically found in AVs. For both
components, there is a tradeoff between non-functional and functional
performance, and both impact a vehicle's safety. For instance, giving an OOD
detector a longer response time can increase its accuracy at the expense of the
LEC. We consider an LEC with binary output like an autonomous emergency braking
system (AEBS) and use risk, the combination of severity and occurrence of a
failure, to model the effect of both components' design parameters on each
other's functional and non-functional performance, as well as their impact on
system safety. We formulate a co-design methodology that uses this risk model
to find the design parameters for an OOD detector and LEC that decrease risk
below that of the baseline system and demonstrate it on a vision based AEBS.
Using our methodology, we achieve a 42.3% risk reduction while maintaining
equivalent resource utilization.
- Abstract(参考訳): 学習可能なコンポーネント(LEC)は、自動運転車(AV)における意思決定に不可欠であるが、トレーニングディストリビューション外のサンプルを提示した場合、誤った判断をする可能性が高い。
オフ・オブ・ディストリビューション(OOD)検出器は、そのようなサンプルを検出するために提案されているため、安全モニターとして機能するが、OOD検出器とLECはどちらも、一般的にAVで見られる組込みハードウェアを多用する必要がある。
両方の部品には非機能性能と機能性能のトレードオフがあり、どちらも車両の安全性に影響を与える。
例えば、OOD検出器に長い応答時間を与えると、LECを犠牲にしてその精度が向上する。
我々は,自律型緊急ブレーキシステム(AEBS)のようなバイナリ出力とリスク,重大度と失敗の発生の組み合わせを併用したLECを,両コンポーネントの設計パラメータが相互の機能的および非機能的性能に与える影響をモデル化し,システム安全性に与える影響を考察する。
我々は、このリスクモデルを用いて、ベースラインシステムより低いリスクを減少させるOOD検出器とLECの設計パラメータを見つけ、それを視覚ベースのAEBSで実証する共同設計手法を定式化する。
本手法を用いて,等価資源利用を維持しつつ,42.3%のリスク低減を実現する。
関連論文リスト
- Detectors for Safe and Reliable LLMs: Implementations, Uses, and
Limitations [75.62309487375126]
大規模言語モデル(LLM)は、不誠実なアウトプットからバイアスや有害な世代に至るまで、さまざまなリスクを受けやすい。
我々は,様々な害のラベルを提供するコンパクトで容易に構築できる分類モデルである,検出器のライブラリを作成し,展開する取り組みについて述べる。
論文 参考訳(メタデータ) (2024-03-09T21:07:16Z) - MKF-ADS: A Multi-Knowledge Fused Anomaly Detection System for Automotive [9.305680247704542]
侵入検知システム(IDS)は、制御エリアネットワーク(CAN)バスの脆弱性を修復する上で重要な安全要素である。
本稿では,MKF-IDSと呼ばれる新しいマルチ知識融合型異常検出モデルを提案する。
我々は,CANIDと時間ステップの6つのシミュレーション攻撃シナリオと,競合予測と検出性能を示す2つの実攻撃シナリオについて実験を行った。
論文 参考訳(メタデータ) (2024-03-07T07:40:53Z) - Fast Decision Boundary based Out-of-Distribution Detector [8.324938763661295]
レイテンシクリティカルなアプリケーションにおけるAIの安全なデプロイには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。
近年の研究では,特徴空間情報に基づくOODの検出が有効であることが判明している。
有効性にもかかわらず、特徴空間を離脱するOOD法は、非無視的な計算オーバーヘッドを引き起こす可能性がある。
論文 参考訳(メタデータ) (2023-12-15T19:50:32Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳(メタデータ) (2023-06-05T16:01:33Z) - Design Methodology for Deep Out-of-Distribution Detectors in Real-Time
Cyber-Physical Systems [5.233831361879669]
アウト・オブ・ディストリビューション(OOD)検出器はMLモデルと並行して動作し、フラグ入力は望ましくない結果をもたらす可能性がある。
本研究は,組込みアプリケーションの精度および応答時間要求を満たすため,深部OOD検出器をチューニングするための設計手法を提案する。
論文 参考訳(メタデータ) (2022-07-29T14:06:27Z) - Risk-Driven Design of Perception Systems [47.787943101699966]
システム全体の安全性を低下させるエラーを最小限に抑えるために,認識システムを設計することが重要である。
完全積分閉ループシステムの性能に及ぼす知覚誤差の影響を考慮に入れた認識システム設計のためのリスク駆動型アプローチを開発する。
本研究では,現実的な視界に基づく航空機による応用・回避技術の評価を行い,リスク駆動設計がベースラインシステム上での衝突リスクを37%低減することを示す。
論文 参考訳(メタデータ) (2022-05-21T21:14:56Z) - Evaluation of Runtime Monitoring for UAV Emergency Landing [0.0]
緊急着陸(EL)は、オンボードセンサーを用いて安全な着陸場所を見つけることによって、地上のリスクを低減することを目的としている。
提案するELパイプラインには、実行中の学習を監視するメカニズムが含まれている。
新しい評価手法を導入し,3つの機械学習モニタリング機構の実用的安全性評価に応用した。
論文 参考訳(メタデータ) (2022-02-07T10:51:23Z) - Robustness Enhancement of Object Detection in Advanced Driver Assistance
Systems (ADAS) [0.0]
提案システムは、(1)最新鋭の物体検出器と対等な精度で性能が期待できる小型のワンステージ物体検出器と、(2)状況の意義から、自動運転車が人間の行動を必要とする場合には、警報信号をクラウドに送信するのに役立つ環境条件検出器の2つの主要コンポーネントを含む。
論文 参考訳(メタデータ) (2021-05-04T15:42:43Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳(メタデータ) (2020-07-14T05:25:15Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳(メタデータ) (2020-06-26T11:07:32Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳(メタデータ) (2020-03-21T17:46:28Z)
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。