論文の概要: FASIONAD : FAst and Slow FusION Thinking Systems for Human-Like Autonomous Driving with Adaptive Feedback

• arxiv url: http://arxiv.org/abs/2411.18013v1
• Date: Wed, 27 Nov 2024 03:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:25:34.619502
• Title: FASIONAD : FAst and Slow FusION Thinking Systems for Human-Like Autonomous Driving with Adaptive Feedback
• Title（参考訳）: FASIONAD : 適応フィードバックによる人間のような自律運転のためのファストとスローフューション思考システム
• Authors: Kangan Qian, Zhikun Ma, Yangfan He, Ziang Luo, Tianyu Shi, Tianze Zhu, Jiayin Li, Jianhui Wang, Ziyu Chen, Xiao He, Yining Shi, Zheng Fu, Xinyu Jiao, Kun Jiang, Diange Yang, Takafumi Matsumaru,
• Abstract要約: 本稿では,認知モデル "Thinking, Fast and Slow" に触発された新しいデュアルシステムフレームワークであるFASIONADを提案する。 高速システムは、高速でデータ駆動の経路計画を使用してルーチンナビゲーションタスクを処理し、遅いシステムは、困難な状況や不慣れな状況における複雑な推論と意思決定に重点を置いている。 高速システムによって生成された視覚的プロンプトは、低速システムにおける人間のような推論を可能にし、高速システムの意思決定を強化するための高品質なフィードバックを提供する。
• 参考スコア（独自算出の注目度）: 15.805379735361862
• License:
• Abstract: Ensuring safe, comfortable, and efficient navigation is a critical goal for autonomous driving systems. While end-to-end models trained on large-scale datasets excel in common driving scenarios, they often struggle with rare, long-tail events. Recent progress in large language models (LLMs) has introduced enhanced reasoning capabilities, but their computational demands pose challenges for real-time decision-making and precise planning. This paper presents FASIONAD, a novel dual-system framework inspired by the cognitive model "Thinking, Fast and Slow." The fast system handles routine navigation tasks using rapid, data-driven path planning, while the slow system focuses on complex reasoning and decision-making in challenging or unfamiliar situations. A dynamic switching mechanism based on score distribution and feedback allows seamless transitions between the two systems. Visual prompts generated by the fast system enable human-like reasoning in the slow system, which provides high-quality feedback to enhance the fast system's decision-making. To evaluate FASIONAD, we introduce a new benchmark derived from the nuScenes dataset, specifically designed to differentiate fast and slow scenarios. FASIONAD achieves state-of-the-art performance on this benchmark, establishing a new standard for frameworks integrating fast and slow cognitive processes in autonomous driving. This approach paves the way for more adaptive, human-like autonomous driving systems.
• Abstract（参考訳）: 安全で快適で効率的なナビゲーションを保証することは、自動運転システムにとって重要な目標である。 大規模なデータセットでトレーニングされたエンドツーエンドモデルは、一般的な運転シナリオで優れているが、まれで長い尾のイベントに苦労することが多い。 大規模言語モデル(LLMs)の最近の進歩は推論能力の向上を導入しているが、その計算要求はリアルタイムな意思決定と正確な計画に課題をもたらす。 本稿では,認知モデル"Thinking, Fast and Slow"にインスパイアされた,新しいデュアルシステムフレームワークであるFASIONADを提案する。 高速システムは、高速でデータ駆動の経路計画を使用してルーチンナビゲーションタスクを処理し、遅いシステムは、困難な状況や不慣れな状況における複雑な推論と意思決定に重点を置いている。 スコア分布とフィードバックに基づく動的切替機構は、2つのシステム間のシームレスな遷移を可能にする。 高速システムによって生成された視覚的プロンプトは、低速システムにおける人間のような推論を可能にし、高速システムの意思決定を強化するための高品質なフィードバックを提供する。 FASIONADを評価するために、我々はnuScenesデータセットから派生した新しいベンチマークを導入する。 FASIONADはこのベンチマークで最先端のパフォーマンスを実現し、高速で遅い認知プロセスを自律運転に統合するフレームワークの新しい標準を確立した。 このアプローチは、より適応的で人間らしい自動運転システムへの道を開くものだ。

関連論文リスト

• LeapVAD: A Leap in Autonomous Driving via Cognitive Perception and Dual-Process Thinking [13.898774643126174]
  LeapVADは、運転決定に影響を及ぼす重要な交通要素を特定し、焦点を合わせるための人間中心のメカニズムを実装している。 システムは、論理的推論を通じて駆動経験を蓄積する分析プロセス(System-II)と、微調整と少数ショット学習によってこの知識を洗練するヒューリスティックプロセス(System-I)から構成される。
  論文  参考訳（メタデータ） (2025-01-14T14:49:45Z)
• Towards Selection and Transition Between Behavior-Based Neural Networks for Automated Driving [0.11470070927586014]
  本稿では,複数の小型人工ニューラルネットワーク(ANN)を用いて異なる運転タスクを管理する行動セレクタを提案する。 重荷になりがちな1つの大きなネットワークに頼るのではなく、広範なトレーニングデータを必要とし、理解しづらい。 我々は、安定性と安全性を改善するために、現在の速度と方向を考慮しながら、行動間のスムーズな遷移を確保することに注力する。
  論文  参考訳（メタデータ） (2024-12-21T20:23:05Z)
• 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)
• Visual Agents as Fast and Slow Thinkers [88.1404921693082]
  本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。 FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。 モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
  論文  参考訳（メタデータ） (2024-08-16T17:44:02Z)
• Brain-Inspired Visual Odometry: Balancing Speed and Interpretability through a System of Systems Approach [0.0]
  本研究は,視覚オドメトリー(VO)システムにおける速度と精度のバランスをとることの課題に対処する。 従来のVOシステムは、計算速度とポーズ推定の精度のトレードオフに直面していることが多い。 我々のシステムは、完全連結ネットワーク(FCN)内で、各自由度を独立に扱うアプローチにおいてユニークなものである。
  論文  参考訳（メタデータ） (2023-12-20T16:23:48Z)
• NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system [0.0]
  本稿では,自動車システムの独特な制約と特性を考慮した自律運転システムを提案する。 提案システムは、自律運転における複雑なデータフローを体系的に分析し、ディープラーニングモデルに影響を与える様々な要因を動的に調整する機能を提供する。
  論文  参考訳（メタデータ） (2023-12-15T07:51:20Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Combining Fast and Slow Thinking for Human-like and Efficient Navigation in Constrained Environments [43.178630971993286]
  現在のAIシステムには、適応性、一般化可能性、自己制御、一貫性、常識、因果推論など、いくつかの重要な人間の能力がない。 我々は、人間の意思決定に関する既存の認知理論、例えば思考の速さと遅い理論は、これらの能力のいくつかに向けてAIシステムを前進させる方法についての洞察を与えることができると信じている。
  論文  参考訳（メタデータ） (2022-01-18T15:24:03Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)

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。