Fugu-MT 論文翻訳(概要): DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving

論文の概要: DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving

arxiv url: http://arxiv.org/abs/2409.10330v1
Date: Mon, 16 Sep 2024 14:40:47 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 15:10:41.934452
Title: DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving
Title（参考訳）: DRIVE: 自律運転における依存可能なロバスト解釈可能な視覚アンサンブルフレームワーク
Authors: Songning Lai, Tianlang Xue, Hongru Xiao, Lijie Hu, Jiemin Wu, Ninghui Feng, Runwei Guan, Haicheng Liao, Zhenning Li, Yutao Yue,
Abstract要約: 自動運転の最近の進歩は、エンド・ツー・エンドの学習パラダイムへのパラダイムシフトを経験している。これらのモデルは、しばしば解釈可能性を犠牲にし、信頼、安全、規制の遵守に重大な課題を提起する。我々は、エンドツーエンドの教師なし運転モデルにおける説明の信頼性と安定性を改善するために設計された総合的なフレームワークDRIVEを紹介する。
参考スコア（独自算出の注目度）: 1.4104119587524289
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advancements in autonomous driving have seen a paradigm shift towards end-to-end learning paradigms, which map sensory inputs directly to driving actions, thereby enhancing the robustness and adaptability of autonomous vehicles. However, these models often sacrifice interpretability, posing significant challenges to trust, safety, and regulatory compliance. To address these issues, we introduce DRIVE -- Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving, a comprehensive framework designed to improve the dependability and stability of explanations in end-to-end unsupervised autonomous driving models. Our work specifically targets the inherent instability problems observed in the Driving through the Concept Gridlock (DCG) model, which undermine the trustworthiness of its explanations and decision-making processes. We define four key attributes of DRIVE: consistent interpretability, stable interpretability, consistent output, and stable output. These attributes collectively ensure that explanations remain reliable and robust across different scenarios and perturbations. Through extensive empirical evaluations, we demonstrate the effectiveness of our framework in enhancing the stability and dependability of explanations, thereby addressing the limitations of current models. Our contributions include an in-depth analysis of the dependability issues within the DCG model, a rigorous definition of DRIVE with its fundamental properties, a framework to implement DRIVE, and novel metrics for evaluating the dependability of concept-based explainable autonomous driving models. These advancements lay the groundwork for the development of more reliable and trusted autonomous driving systems, paving the way for their broader acceptance and deployment in real-world applications.
Abstract（参考訳）: 近年の自動運転の進歩は、感覚入力を直接運転行動にマッピングし、自動運転車の堅牢性と適応性を高めるエンド・ツー・エンドの学習パラダイムへとパラダイムシフトしている。しかしながら、これらのモデルは解釈可能性を犠牲にし、信頼、安全、規制の遵守に重大な課題を提起することが多い。これらの問題に対処するために、DRIVE -- Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Drivingを紹介します。本研究は、コンセプト・グリッドロック(DCG)モデルで観測される固有の不安定性問題を対象としており、その説明や意思決定プロセスの信頼性を損なうものである。 DRIVEの4つの重要な属性は、一貫した解釈可能性、安定な解釈可能性、一貫した出力、安定な出力である。これらの属性は、さまざまなシナリオや摂動にまたがって、説明が信頼性と堅牢であることを保証する。実験的な評価を通じて,我々のフレームワークが説明の安定性と信頼性の向上に有効であることを実証し,現在のモデルの限界に対処する。コントリビューションには、DCGモデルにおける信頼性問題に関する詳細な分析、DRIVEの基本特性を厳格に定義するDRIVE、DRIVEを実装するフレームワーク、概念に基づく説明可能な自律運転モデルの信頼性を評価するための新しいメトリクスなどが含まれます。これらの進歩は、より信頼性が高く信頼性の高い自動運転システムの開発の基盤となり、現実世界のアプリケーションに広く受け入れられ、展開するための道を開いた。

関連論文リスト

Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
論文参考訳（メタデータ） (2024-08-30T00:27:46Z)
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)
RAG-Driver: Generalisable Driving Explanations with Retrieval-Augmented In-Context Learning in Multi-Modal Large Language Model [22.25903116720301]
説明責任は、信頼できる自律的な意思決定において重要な役割を果たす。 MLLM(Multi-Modal Large Language Model)の最近の進歩は、駆動エージェントとしての説明可能性を高める有望な可能性を示している。提案するRAG-Driverは,高機能,説明性,一般化可能な自律運転にコンテキスト内学習を活用する,検索強化型多モード大言語モデルである。
論文参考訳（メタデータ） (2024-02-16T16:57:18Z)
SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文参考訳（メタデータ） (2023-12-31T04:14:43Z)
RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文参考訳（メタデータ） (2023-12-12T06:21:30Z)
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)
Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。我々は、切り離された潜在的想像力に基づいて政策最適化を行う。これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文参考訳（メタデータ） (2023-03-27T02:55:56Z)
Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文参考訳（メタデータ） (2022-05-27T08:07:39Z)
Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文参考訳（メタデータ） (2022-03-04T16:14:33Z)
Development and testing of an image transformer for explainable autonomous driving systems [0.7046417074932257]
ディープラーニング(DL)アプローチはコンピュータビジョン(CV)アプリケーションで成功している。 DLベースのCVモデルは一般に、解釈可能性の欠如によりブラックボックスと見なされる。本稿では,SOTA(State-of-the-art self-attention based model)に基づくエンドツーエンド自動運転システムを提案する。
論文参考訳（メタデータ） (2021-10-11T19:01:41Z)
Reason induced visual attention for explainable autonomous driving [2.090380922731455]
ディープラーニング (DL) ベースのコンピュータビジョン (CV) モデルは一般的に、解釈性が悪いため、ブラックボックスと見なされる。本研究の目的は,自律運転におけるDLモデルの解釈可能性を高めることにある。提案手法は,視覚入力(画像)と自然言語を協調的にモデル化することにより,人間の運転者の学習過程を模倣する。
論文参考訳（メタデータ） (2021-10-11T18:50:41Z)

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。