論文の概要: Safety Enhancement in Planetary Rovers: Early Detection of Tip-over Risks Using Autoencoders

• arxiv url: http://arxiv.org/abs/2408.05602v1
• Date: Sat, 10 Aug 2024 17:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 18:12:00.940650
• Title: Safety Enhancement in Planetary Rovers: Early Detection of Tip-over Risks Using Autoencoders
• Title（参考訳）: 惑星ローバーの安全性向上:オートエンコーダを用いたチップオーバーリスクの早期検出
• Authors: Mariela De Lucas Alvarez,
• Abstract要約: この研究は、これらの重要な瞬間を予測し、完全に起こる前に検出するための、潜在的なチップオーバーイベントの早期兆候を特定することに焦点を当てている。 慣性測定ユニット(IMU)は、コンパクトで堅牢で効率的なオートエンコーダを開発するために使用される。 この研究は、チップオーバーリスクを検出し、より信頼性の高い探査ミッションのための安全対策を開発するための予測能力に貢献する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous robots consistently encounter unforeseen dangerous situations during exploration missions. The characteristic rimless wheels in the AsguardIV rover allow it to overcome challenging terrains. However, steep slopes or difficult maneuvers can cause the rover to tip over and threaten the completion of a mission. This work focuses on identifying early signs or initial stages for potential tip-over events to predict and detect these critical moments before they fully occur, possibly preventing accidents and enhancing the safety and stability of the rover during its exploration mission. Inertial Measurement Units (IMU) readings are used to develop compact, robust, and efficient Autoencoders that combine the power of sequence processing of Long Short-Term Memory Networks (LSTM). By leveraging LSTM-based Autoencoders, this work contributes predictive capabilities for detecting tip-over risks and developing safety measures for more reliable exploration missions.
• Abstract（参考訳）: 自律ロボットは、探査ミッション中に予期せぬ危険な状況に常に遭遇する。 AsguardIVローバーの特徴的なリムレスホイールは、挑戦的な地形を克服することができる。 しかし、急勾配や難しい操作は、ローバーを転倒させ、ミッションの完了を脅かす可能性がある。 この研究は、事故を防止し、探査ミッション中にローバーの安全性と安定性を高めるために、これらの重要な瞬間を予測し、検出するための早期の兆候や初期の段階を特定することに焦点を当てている。 Inertial Measurement Units (IMU) は、Long Short-Term Memory Networks (LSTM) のシーケンス処理のパワーを組み合わせたコンパクトで堅牢で効率的なオートエンコーダを開発するために使用される。 LSTMベースのオートエンコーダを利用することで、この研究は、チップオーバーリスクを検出し、より信頼性の高い探査ミッションのための安全対策を開発するための予測能力に寄与する。

関連論文リスト

• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions [0.0]
  低地球軌道でのデブリは、宇宙の持続可能性と宇宙船の安全性に対する重大な脅威である。 装甲輸送車両(OTV)は破片の軌道離脱を促進し、将来の衝突リスクを減らす。 深部補強学習(DRL)に基づく装甲決定計画モデルを構築し,OTVを最適デブリ除去シークエンシングを計画する。 提案手法を用いることで、最適なミッションプランを見つけ、衝突リスクの高い破片のリスクハンドリングを含む自律的に計画の更新を学べることが示されている。
  論文  参考訳（メタデータ） (2024-09-25T15:16:07Z)
• Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
  本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。 安全クリティカルな軌道予測データセットと調整された評価指標を導入する。 その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-18T13:00:01Z)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
  軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。 本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。 複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-12T16:23:27Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Early Recall, Late Precision: Multi-Robot Semantic Object Mapping under Operational Constraints in Perceptually-Degraded Environments [47.917640567924174]
  本稿では,この問題を解決するためにEarly Recall, Late Precision (EaRLaP)意味オブジェクトマッピングパイプラインを提案する。 EaRLaPはDARPA Subterranean ChallengeでTeam CoSTARによって使用された。 各種データセット上でのEaRLaPの結果と性能について論じる。
  論文  参考訳（メタデータ） (2022-06-21T01:11:42Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。