論文の概要: AI-augmented Automation for Real Driving Prediction: an Industrial Use Case

• arxiv url: http://arxiv.org/abs/2404.02841v1
• Date: Wed, 3 Apr 2024 16:19:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 16:50:16.902860
• Title: AI-augmented Automation for Real Driving Prediction: an Industrial Use Case
• Title（参考訳）: リアル運転予測のためのAI強化自動化 - 産業用ユースケース
• Authors: Romina Eramo, Hamzeh Eyal Salman, Matteo Spezialetti, Darko Stern, Pierre Quinton, Antonio Cicchetti,
• Abstract要約: 本稿では,機械学習とモデルベース工学に基づくAI拡張ソリューションを開発する実践経験について報告する。 特に、実運転条件で収集された履歴データを利用して、高忠実性駆動シミュレータを合成する。 この実践的経験に基づいて,実運転行動に基づく予測を支援する概念的枠組みも提案する。
• 参考スコア（独自算出の注目度）: 1.9131868049527914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The risen complexity of automotive systems requires new development strategies and methods to master the upcoming challenges. Traditional methods need thus to be changed by an increased level of automation, and a faster continuous improvement cycle. In this context, current vehicle performance tests represent a very time-consuming and expensive task due to the need to perform the tests in real driving conditions. As a consequence, agile/iterative processes like DevOps are largely hindered by the necessity of triggering frequent tests. This paper reports on a practical experience of developing an AI-augmented solution based on Machine Learning and Model-based Engineering to support continuous vehicle development and testing. In particular, historical data collected in real driving conditions is leveraged to synthesize a high-fidelity driving simulator and hence enable performance tests in virtual environments. Based on this practical experience, this paper also proposes a conceptual framework to support predictions based on real driving behavior.
• Abstract（参考訳）: 自動車システムの複雑さの増大は、今後の課題をマスターするために、新しい開発戦略と方法を必要とします。 そのため、従来のメソッドは、自動化のレベルが向上し、継続的な改善サイクルが速くなることで変更する必要があります。 この文脈では、実際の運転条件でテストを実行する必要があるため、現在の車両性能テストは非常に時間がかかり高価である。 その結果、DevOpsのようなアジャイル/イテレーティブなプロセスは、頻繁なテストをトリガーする必要性によって、ほとんど妨げられています。 本稿では,継続的車両開発とテストを支援する機械学習とモデルベースエンジニアリングに基づくAI拡張ソリューションを開発する実践的な経験について報告する。 特に、実運転条件で収集された履歴データを利用して、高忠実性駆動シミュレータを合成し、仮想環境における性能試験を可能にする。 この実践的経験に基づいて,実運転行動に基づく予測を支援する概念的枠組みも提案する。

関連論文リスト

• A Joint Approach Towards Data-Driven Virtual Testing for Automated Driving: The AVEAS Project [2.4163276807189282]
  シミュレーションのパラメトリゼーションや検証には、現実世界のデータが著しく不足している。 本稿では,ドイツのAVAS研究プロジェクトの結果について述べる。
  論文  参考訳（メタデータ） (2024-05-10T07:36:03Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• 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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Exiting the Simulation: The Road to Robust and Resilient Autonomous Vehicles at Scale [0.0]
  本稿では,自律運転システムの開発に使用されている最先端のシミュレーションフレームワークと方法論について述べる。 自律運転シミュレーションにおける重要な課題の合成について述べる。
  論文  参考訳（メタデータ） (2022-10-19T20:32:43Z)
• 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)
• 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)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• SilGAN: Generating driving maneuvers for scenario-based software-in-the-loop testing [0.0]
  SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。 モデルはフィールド内の車両から記録されたデータを使って訓練される。
  論文  参考訳（メタデータ） (2021-07-05T07:17:49Z)
• Learning to falsify automated driving vehicles with prior knowledge [1.4610038284393165]
  本稿では,シミュレーションにおける自動運転機能の実装をテストするための学習に基づく偽造フレームワークを提案する。 シナリオパラメータの分散を制限し、学習プロセスをガイドし、改善するためのモデルベースのファシファイアに事前知識が組み込まれています。
  論文  参考訳（メタデータ） (2021-01-25T19:51:38Z)

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。