論文の概要: Scenario Engineering for Autonomous Transportation: A New Stage in Open-Pit Mines

• arxiv url: http://arxiv.org/abs/2405.15772v1
• Date: Fri, 15 Mar 2024 02:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:29:41.489609
• Title: Scenario Engineering for Autonomous Transportation: A New Stage in Open-Pit Mines
• Title（参考訳）: 自律走行のためのシナリオエンジニアリング:オープンピット鉱山の新しい段階
• Authors: Siyu Teng, Xuan Li, Yucheng Li, Zhe Xuanyuan, Yunfeng Ai, Long Chen,
• Abstract要約: 本研究は,シナリオ工学と自律交通システムを統合する新しいパラダイムを紹介する。 このパラダイムは2つの有名な露天掘り鉱山で検証されている。
• 参考スコア（独自算出の注目度）: 16.597043030815097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, open-pit mining has seen significant advancement, the cooperative operation of various specialized machinery substantially enhancing the efficiency of mineral extraction. However, the harsh environment and complex conditions in open-pit mines present substantial challenges for the implementation of autonomous transportation systems. This research introduces a novel paradigm that integrates Scenario Engineering (SE) with autonomous transportation systems to significantly improve the trustworthiness, robustness, and efficiency in open-pit mines by incorporating the four key components of SE, including Scenario Feature Extractor, Intelligence and Index (I&I), Calibration and Certification (C&C), and Verification and Validation (V&V). This paradigm has been validated in two famous open-pit mines, the experiment results demonstrate marked improvements in robustness, trustworthiness, and efficiency. By enhancing the capacity, scalability, and diversity of autonomous transportation, this paradigm fosters the integration of SE and parallel driving and finally propels the achievement of the '6S' objectives.
• Abstract（参考訳）: 近年、露天掘り鉱業は顕著な進歩を遂げており、様々な特殊機械の協調作業により、鉱物抽出の効率が大幅に向上している。 しかし、露天掘り鉱山の厳しい環境と複雑な環境は、自律的な交通システムの実現に重大な課題をもたらしている。 本研究は、シナリオ・フィーチャー・エクストラクタ、インテリジェンス・アンド・インデックス(I&I)、校正・認定(C&C)、検証・検証(V&V)を含むSEの4つのキーコンポーネントを組み込むことにより、シナリオ・エンジニアリング(SE)を自律輸送システムと統合し、オープンピット鉱山の信頼性、堅牢性、効率を大幅に向上させる新しいパラダイムを導入する。 このパラダイムは2つの有名な露天掘り鉱山で検証され、実験結果はロバスト性、信頼性、効率性が顕著に改善されたことを示している。 自律走行のキャパシティ、スケーラビリティ、多様性を高めることで、このパラダイムはSEと並列運転の統合を促進し、最終的には'6S'目標の達成を促進する。

関連論文リスト

• Transforming the Hybrid Cloud for Emerging AI Workloads [81.15269563290326]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• OPTIMA: Optimized Policy for Intelligent Multi-Agent Systems Enables Coordination-Aware Autonomous Vehicles [9.41740133451895]
  本研究は,協調自動運転タスクのための分散強化学習フレームワークOPTIMAを紹介する。 我々のゴールは、非常に複雑で混み合ったシナリオにおいて、CAVの汎用性と性能を改善することです。
  論文  参考訳（メタデータ） (2024-10-09T03:28:45Z)
• CoopASD: Cooperative Machine Anomalous Sound Detection with Privacy Concerns [13.721711457376776]
  産業用モノのインターネット(Industrial Internet of Things, IIoT)における最も有望な応用の1つとして、ASD(Machine Anomalous Sound Detection)が登場した。 そこで我々は,各工場がローカルデータセット上でASDモデルをトレーニングし,中央サーバが定期的にこれらのローカルモデルを集約する,CoopASDという新しいフレームワークを提案する。 集中的な設定でトレーニングされた従来の最先端(SOTA)モデルと比較して、CoopASDは、無視可能な0.08%の劣化を伴う競争結果を示している。
  論文  参考訳（メタデータ） (2024-08-27T03:07:03Z)
• The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
  2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。 今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。 競争は15の最高パフォーマンスのソリューションで頂点に達した。
  論文  参考訳（メタデータ） (2024-05-14T17:59:57Z)
• Scenarios Engineering driven Autonomous Transportation in Open-Pit Mines [21.359823385387937]
  自走式マイニングトラックのための新しいシナリオエンジニアリング(SE)手法が,オープンピット鉱山向けに提案されている。 本研究は, 露天掘り鉱業における自律走行の独特な課題に対処し, 鉱業経営における生産性, 安全性, 性能を育成するものである。
  論文  参考訳（メタデータ） (2024-03-15T02:26:55Z)
• Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution [92.84441068115517]
  Investigate-Consolidate-Exploit(ICE)は、AIエージェントの適応性と柔軟性を高めるための新しい戦略である。 ICEは、真の自己進化のためのタスク間の知識の伝達を促進する。 XAgentフレームワークに関する我々の実験は、ICEの有効性を示し、API呼び出しを最大80%削減する。
  論文  参考訳（メタデータ） (2024-01-25T07:47:49Z)
• FusionPlanner: A Multi-task Motion Planner for Mining Trucks via Multi-sensor Fusion [16.015095148145214]
  本研究では, オープンピット鉱山における無人輸送の包括的パラダイムを提案する。 マルチセンサフュージョン法による自律型マイニングトラックのためのマルチタスク動作計画アルゴリズムFusionPlannerを提案する。 MiningNavと呼ばれる新しいベンチマークは、オープンピット鉱山の交通路におけるよく訓練されたアルゴリズムの信頼性と堅牢性を評価するための3つの検証手法を提供する。
  論文  参考訳（メタデータ） (2023-08-14T04:18:07Z)
• Improving Autonomous Separation Assurance through Distributed Reinforcement Learning with Attention Networks [0.0]
  本稿では,AAM廊下内で自律的な自己分離機能を実現するための強化学習フレームワークを提案する。 この問題はマルコフ決定プロセス(Markov Decision Process)として定式化され、サンプル効率の良いオフポリティ・ソフトアクター・クリティック(SAC)アルゴリズムへの新たな拡張を開発することで解決される。 包括的数値計算により,提案手法は高密度・動的環境下で航空機の安全かつ効率的な分離を保証できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T13:44:35Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
  公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。 乗客の観点からの堅牢性の統合により、作業はさらに困難になる。 本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T05:52:56Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)

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。