論文の概要: Towards Selection and Transition Between Behavior-Based Neural Networks for Automated Driving

• arxiv url: http://arxiv.org/abs/2412.16764v1
• Date: Sat, 21 Dec 2024 20:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:56:55.074816
• Title: Towards Selection and Transition Between Behavior-Based Neural Networks for Automated Driving
• Title（参考訳）: 自動運転のための行動ベースニューラルネットワークの選択と遷移に向けて
• Authors: Iqra Aslam, Igor Anpilogov, Andreas Rausch,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.11470070927586014
• License:
• Abstract: Autonomous driving technology is progressing rapidly, largely due to complex End To End systems based on deep neural networks. While these systems are effective, their complexity can make it difficult to understand their behavior, raising safety concerns. This paper presents a new solution a Behavior Selector that uses multiple smaller artificial neural networks (ANNs) to manage different driving tasks, such as lane following and turning. Rather than relying on a single large network, which can be burdensome, require extensive training data, and is hard to understand, the developed approach allows the system to dynamically select the appropriate neural network for each specific behavior (e.g., turns) in real time. We focus on ensuring smooth transitions between behaviors while considering the vehicles current speed and orientation to improve stability and safety. The proposed system has been tested using the AirSim simulation environment, demonstrating its effectiveness.
• Abstract（参考訳）: 自律運転技術は、ディープニューラルネットワークに基づく複雑なエンドツーエンドシステムによって、急速に進歩している。 これらのシステムは効果的であるが、その複雑さは彼らの行動を理解するのを困難にし、安全上の懸念を提起する。 本稿では、複数の小さな人工知能ニューラルネットワーク(ANN)を用いて、車線追従や旋回などの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、広範なトレーニングデータを必要とし、理解が難しい、単一の大きなネットワークに頼るのではなく、開発されたアプローチにより、システムはリアルタイムで特定の行動(例えば、ターン)ごとに適切なニューラルネットワークを動的に選択できる。 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。 提案システムは,AirSimシミュレーション環境を用いて実験を行い,その有効性を実証した。

関連論文リスト

• NaviSlim: Adaptive Context-Aware Navigation and Sensing via Dynamic Slimmable Networks [2.145904182587639]
  NaviSlimは、コンピューティングとセンサーに費やされるリソース量に適応可能な、ニューラルナビゲーションモデルの新たなクラスである。 NaviSlimは、既存のスリムブルネットワークとは異なり、モデル複雑性を自律的にスケールするためにスリム化要因を動的に選択できるゲートスリムブルニューラルネットワークアーキテクチャとして設計されている。 難易度が異なるシナリオでNaviSlimモデルを評価し, 平均57～92%, 61～80%のセンサ利用率でモデル複雑性を動的に減少させるテストセットを作成した。
  論文  参考訳（メタデータ） (2024-05-16T01:18:52Z)
• Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
  接続された自動運転車は、エネルギー消費を最小化する可能性がある。 既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。 本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T23:13:51Z)
• Autonomous Driving using Spiking Neural Networks on Dynamic Vision Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
  スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替モデルを提供する。 自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。 本研究は,実車上でSNNを使用するための重要なステップであるCARLAシミュレータにおける実写走行シーンについて,SNNについて検討する。
  論文  参考訳（メタデータ） (2023-09-27T23:31:30Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Autonomous Navigation through intersections with Graph ConvolutionalNetworks and Conditional Imitation Learning for Self-driving Cars [10.080958939027363]
  自動運転では、信号のない交差点を通るナビゲーションは難しい作業だ。 ナビゲーションポリシー学習のための新しい分岐ネットワークG-CILを提案する。 エンドツーエンドのトレーニング可能なニューラルネットワークは、より高い成功率と短いナビゲーション時間でベースラインを上回っています。
  論文  参考訳（メタデータ） (2021-02-01T07:33:12Z)
• Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
  高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。 本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。 提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
  論文  参考訳（メタデータ） (2020-08-14T11:48:13Z)

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。