論文の概要: A Brain-Inspired Perception-Decision Driving Model Based on Neural Pathway Anatomical Alignment

• arxiv url: http://arxiv.org/abs/2502.16027v1
• Date: Sat, 22 Feb 2025 01:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:55:47.775021
• Title: A Brain-Inspired Perception-Decision Driving Model Based on Neural Pathway Anatomical Alignment
• Title（参考訳）: 神経経路の解剖的アライメントに基づく脳誘発知覚決定駆動モデル
• Authors: Haidong Wang, Pengfei Xiao, Ao Liu, Qia Shan, Jianhua Zhang,
• Abstract要約: 自律運転のための新しい脳誘発運転(BID)フレームワークを提案する。 脳にインスパイアされた知覚技術を利用して、より効率的で堅牢な環境認識を実現する。 また、知的な意思決定を促進するために脳にインスパイアされた意思決定技術も採用している。
• 参考スコア（独自算出の注目度）: 15.98131469205444
• License:
• Abstract: In the realm of autonomous driving, conventional approaches for vehicle perception and decision-making primarily rely on sensor input and rule-based algorithms. However, these methodologies often suffer from lack of interpretability and robustness, particularly in intricate traffic scenarios. To tackle this challenge, we propose a novel brain-inspired driving (BID) framework. Diverging from traditional methods, our approach harnesses brain-inspired perception technology to achieve more efficient and robust environmental perception. Additionally, it employs brain-inspired decision-making techniques to facilitate intelligent decision-making. The experimental results show that the performance has been significantly improved across various autonomous driving tasks and achieved the end-to-end autopilot successfully. This contribution not only advances interpretability and robustness but also offers fancy insights and methodologies for further advancing autonomous driving technology.
• Abstract（参考訳）: 自律運転の分野では、従来の車両認識と意思決定のアプローチは、主にセンサー入力とルールベースのアルゴリズムに依存している。 しかしながら、これらの手法は、特に複雑な交通シナリオにおいて、解釈可能性や堅牢性の欠如に悩まされることが多い。 この課題に対処するため、我々は新しい脳誘発駆動(BID)フレームワークを提案する。 従来の手法とは違って、私たちのアプローチは、より効率的で堅牢な環境認識を実現するために、脳にインスパイアされた知覚技術を活用する。 さらに、脳にインスパイアされた意思決定技術を使って、インテリジェントな意思決定を促進する。 実験の結果,様々な自律走行タスクにおいて性能が大幅に向上し,エンドツーエンドの自動操縦が成功していることがわかった。 この貢献は、解釈可能性と堅牢性を向上するだけでなく、さらに進歩する自動運転技術のための見事な洞察と方法論も提供する。

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)
• A Safe and Efficient Self-evolving Algorithm for Decision-making and Control of Autonomous Driving Systems [19.99282698119699]
  自己進化型自動運転車は、現実世界の環境における未知のシナリオに対処することが期待されている。 強化学習は 最適な政策を学ぶことで 自己進化できる。 本稿では,ハイブリッドなメカニズム-経験-学習型拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T08:05:03Z)
• 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)
• Exploring Latent Pathways: Enhancing the Interpretability of Autonomous Driving with a Variational Autoencoder [79.70947339175572]
  バイオインスパイアされたニューラルサーキットポリシーモデルが革新的な制御モジュールとして登場した。 我々は、変分オートエンコーダとニューラルネットワークポリシーコントローラを統合することで、飛躍的に前進する。 本研究は,変分オートエンコーダへのアーキテクチャシフトに加えて,自動潜時摂動ツールを導入する。
  論文  参考訳（メタデータ） (2024-04-02T09:05:47Z)
• DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
  本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。 このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
  論文  参考訳（メタデータ） (2024-01-08T03:06:02Z)
• A Language Agent for Autonomous Driving [31.359413767191608]
  本稿では,人間のような知性を自律運転システムに統合するためのパラダイムシフトを提案する。 当社のアプローチはAgent-Driverと呼ばれ,汎用ツールライブラリを導入して,従来の自律走行パイプラインを変革する。 LLM(Large Language Models)によって駆動されるエージェントドライブには直感的な常識と堅牢な推論能力が備わっています。
  論文  参考訳（メタデータ） (2023-11-17T18:59:56Z)
• Spatial Intelligence of a Self-driving Car and Rule-Based Decision Making [0.0]
  複雑な交通状況下での自動運転車の人間的な動作を実現するために,ルールに基づく意思決定と従来の動作計画手法を組み合わせる方法について述べる。
  論文  参考訳（メタデータ） (2023-08-02T11:27:41Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• 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)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)

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。