論文の概要: $μ$Drive: User-Controlled Autonomous Driving

• arxiv url: http://arxiv.org/abs/2407.13201v1
• Date: Thu, 18 Jul 2024 06:36:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:42:04.715306
• Title: $μ$Drive: User-Controlled Autonomous Driving
• Title（参考訳）: $μ$Drive: ユーザー設定の自動運転
• Authors: Kun Wang, Christopher M. Poskitt, Yang Sun, Jun Sun, Jingyi Wang, Peng Cheng, Jiming Chen,
• Abstract要約: $mu$Driveは、自動運転車の振る舞いを特定するために設計されたイベントベースのドメイン特化言語(Specific)である。 $mu$Driveは、コンテキストイベントによって引き起こされるルールを通じて、ユーザが好みを表現できるようにする。 以上の結果から,Apolloの計画に$mu$Driveで効果的に影響を及ぼし,ADSによる交通規制の遵守改善を支援することが示唆された。
• 参考スコア（独自算出の注目度）: 14.86490148355063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous Vehicles (AVs) rely on sophisticated Autonomous Driving Systems (ADSs) to provide passengers a satisfying and safe journey. The individual preferences of riders plays a crucial role in shaping the perception of safety and comfort while they are in the car. Existing ADSs, however, lack mechanisms to systematically capture and integrate rider preferences into their planning modules. To bridge this gap, we propose $\mu$Drive, an event-based Domain-Specific Language (DSL) designed for specifying autonomous vehicle behaviour. $\mu$Drive enables users to express their preferences through rules triggered by contextual events, such as encountering obstacles or navigating complex traffic situations. These rules dynamically adjust the parameter settings of the ADS planning module, facilitating seamless integration of rider preferences into the driving plan. In our evaluation, we demonstrate the feasibility and efficacy of $\mu$Drive by integrating it with the Apollo ADS framework. Our findings show that users can effectively influence Apollo's planning through $\mu$Drive, assisting ADS in achieving improved compliance with traffic regulations. The response time for $\mu$Drive commands remains consistently at the second or millisecond level. This suggests that $\mu$Drive may help pave the way to more personalizsed and user-centric AV experiences.
• Abstract（参考訳）: 自律走行車(AV)は、乗客に満足で安全な旅路を提供するため、洗練された自律走行システム(ADS)に依存している。 乗り手の個人の好みは、車の中で安全と快適さの認識を形作る上で重要な役割を担っている。 しかし、既存のADSには、ライダーの好みを体系的にキャプチャし、計画モジュールに統合するメカニズムが欠けている。 このギャップを埋めるために、我々はイベントベースのドメイン特化言語(DSL)である$\mu$Driveを提案します。 $\mu$Driveは、障害に遭遇したり、複雑な交通状況をナビゲートするといった、コンテキストイベントによって引き起こされるルールを通じて、ユーザが好みを表現できるようにする。 これらのルールは、ADS計画モジュールのパラメータ設定を動的に調整し、運転計画にライダーの好みをシームレスに統合する。 評価では,Apollo ADSフレームワークと統合することで,$\mu$Driveの有効性と有効性を示す。 以上の結果から,Apolloの計画に$\mu$Driveで効果的に影響を及ぼし,ADSによる交通規制の遵守改善を支援することが示唆された。 $\mu$Driveコマンドのレスポンス時間は、常に秒単位かミリ秒単位である。 これは、$\mu$Driveが、よりパーソナライズされたユーザー中心のAV体験への道を開くのに役立つことを示唆している。

関連論文リスト

• On-Board Vision-Language Models for Personalized Autonomous Vehicle Motion Control: System Design and Real-World Validation [17.085548386025412]
  VLM(Vision-Language Models)は、パーソナライズドライビングのための有望なソリューションを提供する。 本稿では,低レイテンシなパーソナライズドライビング性能を実現する軽量で効果的なVLMフレームワークを提案する。 我々のシステムは、様々なシナリオで安全で快適でパーソナライズされた運転体験を提供する能力を示した。
  論文  参考訳（メタデータ） (2024-11-17T23:20:37Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
  本研究では,データ駆動型自動車追従モデルを提案する。 本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
  論文  参考訳（メタデータ） (2024-06-23T15:04:07Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• REDriver: Runtime Enforcement for Autonomous Vehicles [6.97499033700151]
  本稿では,自律運転システムの実行時適用に対する汎用的かつモジュール的なアプローチであるREDriverを提案する。 ReDriverは、STLの定量的セマンティクスに基づいて、ADSの計画された軌道を監視する。 仕様に違反する可能性がある場合に、勾配駆動のアルゴリズムを使って軌道を修復する。
  論文  参考訳（メタデータ） (2024-01-04T13:08:38Z)
• Personalized Autonomous Driving with Large Language Models: Field Experiments [11.429053835807697]
  LLMベースのフレームワークであるTalk2Driveを導入し、自然言語コマンドを実行可能なコントロールに翻訳する。 これは、LLMを現実世界の自動運転車にデプロイする、最初の種類のマルチシナリオフィールド実験である。 提案するメモリモジュールは、パーソナライズされた好みを考慮し、さらに65.2%のテイクオーバ率を低下させる。
  論文  参考訳（メタデータ） (2023-12-14T23:23:37Z)
• DriveMLM: Aligning Multi-Modal Large Language Models with Behavioral Planning States for Autonomous Driving [69.82743399946371]
  DriveMLMは、現実的なシミュレータでクローズループの自律運転を実行するためのフレームワークである。 モジュールADシステムの動作計画モジュールをモデル化するために,MLLM (Multi-modal LLM) を用いる。 このモデルは、Apolloのような既存のADシステムでプラグイン・アンド・プレイすることで、クローズループ運転を行うことができる。
  論文  参考訳（メタデータ） (2023-12-14T18:59:05Z)
• DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model [84.29836263441136]
  本研究は,マルチモーダル大言語モデル(MLLM)に基づく新しい解釈可能なエンドツーエンド自動運転システムであるDriveGPT4を紹介する。 DriveGPT4は、車両動作の解釈を促進し、関連する推論を提供し、ユーザによるさまざまな質問に効果的に対処する。
  論文  参考訳（メタデータ） (2023-10-02T17:59:52Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。