論文の概要: Areas of Improvement for Autonomous Vehicles: A Machine Learning Analysis of Disengagement Reports

• arxiv url: http://arxiv.org/abs/2408.00051v1
• Date: Wed, 31 Jul 2024 16:36:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 00:27:00.055462
• Title: Areas of Improvement for Autonomous Vehicles: A Machine Learning Analysis of Disengagement Reports
• Title（参考訳）: 自律走行車の改良分野:分散レポートの機械学習分析
• Authors: Tyler Ward,
• Abstract要約: 2014年以降、カリフォルニア州自動車局(CDMV)は自動運転車のメーカーから情報を収集している。 これらの離脱報告(DR)には、運転テスト中に技術障害、手動オーバーライド、その他の要因により自律モードから離脱したAVの詳細情報が含まれている。 本稿では,2023 DRの情報を機械学習(ML)で分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since 2014, the California Department of Motor Vehicles (CDMV) has compiled information from manufacturers of autonomous vehicles (AVs) regarding factors that lead to the disengagement from autonomous driving mode in these vehicles. These disengagement reports (DRs) contain information detailing whether the AV disengaged from autonomous mode due to technology failure, manual override, or other factors during driving tests. This paper presents a machine learning (ML) based analysis of the information from the 2023 DRs. We use a natural language processing (NLP) approach to extract important information from the description of a disengagement, and use the k-Means clustering algorithm to group report entries together. The cluster frequency is then analyzed, and each cluster is manually categorized based on the factors leading to disengagement. We discuss findings from previous years' DRs, and provide our own analysis to identify areas of improvement for AVs.
• Abstract（参考訳）: 2014年以降、カリフォルニア州自動車局(CDMV)は、これらの車両の自動運転モードからの離脱につながる要因について、自動運転車(AV)のメーカーから情報を収集している。 これらの離脱報告(DR)には、運転テスト中に技術障害、手動オーバーライド、その他の要因により自律モードから離脱したAVの詳細情報が含まれている。 本稿では,2023 DRの情報を機械学習(ML)で分析する。 我々は、自然言語処理(NLP)アプローチを用いて、切り離しの記述から重要な情報を抽出し、k-Meansクラスタリングアルゴリズムを用いて、エントリをまとめる。 クラスタの頻度は分析され、各クラスタは分解につながる要因に基づいて手動で分類される。 我々は,前年のDRから得られた知見を考察し,AV改善領域を特定するための独自の分析を行った。

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)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• 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)
• Attribute Annotation and Bias Evaluation in Visual Datasets for Autonomous Driving [0.3595110752516458]
  我々は、訓練者や車両検出システムに最もよく使用される視覚的データセットに現れるバイアスに着目した分析を行う。 本稿では,視覚的データセット中のエージェントの保護属性に注釈を付けるためのアノテーション手法とアノテーションツールを紹介する。 例えば、年齢、性別、肌の色、グループ、輸送手段、車種、色、車種は50万台以上である。
  論文  参考訳（メタデータ） (2023-12-11T11:27:01Z)
• Reason2Drive: Towards Interpretable and Chain-based Reasoning for Autonomous Driving [38.28159034562901]
  Reason2Driveは600万以上のビデオテキストペアを備えたベンチマークデータセットである。 我々は、自律運転プロセスが知覚、予測、推論ステップの逐次的な組み合わせであると特徴付けている。 本稿では,自律システムにおける連鎖型推論性能を評価するための新しい集計評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-06T18:32:33Z)
• 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)
• A Survey on Datasets for Decision-making of Autonomous Vehicle [11.556769001552768]
  意思決定は、ハイレベルな自動走行に向けた重要なモジュールの1つである。 データ駆動による意思決定アプローチは、ますます注目を集めています。 本研究では、車両、環境、運転者関連データの最先端データセットを比較した。
  論文  参考訳（メタデータ） (2023-06-29T08:42:18Z)
• Disengagement Cause-and-Effect Relationships Extraction Using an NLP Pipeline [14.708195642446716]
  カリフォルニア州自動車局(CA DMV)は自動運転車テストプログラムを開始した。 このプログラムは、自律走行から自律走行(AVD)に関するレポートを収集し、リリースする。 本研究は,事前学習モデルを用いた深層移動学習の実践として成功し,統合された解離データベースを生成する。
  論文  参考訳（メタデータ） (2021-11-05T14:00:59Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。