論文の概要: Knowledge Graphs as World Models for Semantic Material-Aware Obstacle Handling in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2503.21232v1
• Date: Thu, 27 Mar 2025 07:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:10.278756
• Title: Knowledge Graphs as World Models for Semantic Material-Aware Obstacle Handling in Autonomous Vehicles
• Title（参考訳）: セマンティック・マテリアル・アウェア・オブステーク・ハンドリングの世界モデルとしての知識グラフ
• Authors: Ayush Bheemaiah, Seungyong Yang,
• Abstract要約: 本研究では,センサと知識グラフ(KG)に基づく世界モデルを組み合わせることで,AVの物理材料質の理解を向上させることを提案する。 自律走行シミュレータCARLAを用いて,KG統合の有無にかかわらず,AV性能を評価した。 KGベースの手法は障害物管理を改善し、AVは材料品質を利用して車線変更や緊急ブレーキの適用についてより優れた判断を下すことができる。
• 参考スコア（独自算出の注目度）: 0.03946288852327085
• License:
• Abstract: The inability of autonomous vehicles (AVs) to infer the material properties of obstacles limits their decision-making capacity. While AVs rely on sensor systems such as cameras, LiDAR, and radar to detect obstacles, this study suggests combining sensors with a knowledge graph (KG)-based world model to improve AVs' comprehension of physical material qualities. Beyond sensor data, AVs can infer qualities such as malleability, density, and elasticity using a semantic KG that depicts the relationships between obstacles and their attributes. Using the CARLA autonomous driving simulator, we evaluated AV performance with and without KG integration. The findings demonstrate that the KG-based method improves obstacle management, which allows AVs to use material qualities to make better decisions about when to change lanes or apply emergency braking. For example, the KG-integrated AV changed lanes for hard impediments like traffic cones and successfully avoided collisions with flexible items such as plastic bags by passing over them. Compared to the control system, the KG framework demonstrated improved responsiveness to obstacles by resolving conflicting sensor data, causing emergency stops for 13.3% more cases. In addition, our method exhibits a 6.6% higher success rate in lane-changing maneuvers in experimental scenarios, particularly for larger, high-impact obstacles. While we focus particularly on autonomous driving, our work demonstrates the potential of KG-based world models to improve decision-making in embodied AI systems and scale to other domains, including robotics, healthcare, and environmental simulation.
• Abstract（参考訳）: 障害物の材料特性を推測できない自動運転車(AV)は、意思決定能力を制限する。 AVは、カメラ、LiDAR、レーダーなどのセンサーシステムを使って障害物を検知するが、本研究では、センサーと知識グラフ(KG)に基づく世界モデルを組み合わせて、AVの物理的物質質の理解を改善することを提案する。 センサデータ以外にも、AVは障害とそれらの属性の関係を描写したセマンティックなKGを使用して、可鍛性、密度、弾力性などの品質を推測することができる。 自律走行シミュレータCARLAを用いて,KG統合の有無にかかわらず,AV性能を評価した。 その結果,KG法により障害物管理が向上し,車線変更時や緊急ブレーキ適用時の判断精度が向上した。 例えば、KGが統合されたAVは、交通コーンのような硬い障害のために車線を変更し、それらを渡してプラスチック袋のような柔軟なアイテムとの衝突を回避した。 制御システムと比較すると、KGフレームワークは、対立するセンサーデータを解決し、障害に対する応答性を改善し、13.3%のケースで緊急停止を引き起こした。 さらに,実験シナリオ,特に大型で高インパクトな障害物において,車線変更操作の成功率が6.6%向上した。 我々は特に自律運転に焦点を当てているが、我々の研究は、KGベースの世界モデルが、具体化されたAIシステムの意思決定を改善し、ロボット工学、医療、環境シミュレーションを含む他の領域にスケールする可能性を実証している。

関連論文リスト

• MSC-Bench: Benchmarking and Analyzing Multi-Sensor Corruption for Driving Perception [9.575044300747061]
  マルチセンサー融合モデルは、特に3Dオブジェクト検出やHDマップ構築といったタスクにおいて、自律運転知覚において重要な役割を果たす。 これらのモデルは、自律運転システムに必須かつ包括的な静的環境情報を提供する。 カメラ-LiDAR融合法は有望な結果を示しているが、それらはしばしば完全なセンサー入力に依存する。 この依存は、センサーが破損したり行方不明になったりした場合のロバスト性や潜在的な故障を招き、重大な安全性上の懸念を引き起こす可能性がある。 この課題に対処するために,多センサ自律運転知覚モデルの各種センサ破損に対する堅牢性評価を目的とした,初の総合的なベンチマークであるMulti-Sensor Corruption Benchmark(MSC-Bench)を導入する。
  論文  参考訳（メタデータ） (2025-01-02T03:38:46Z)
• XAI-based Feature Ensemble for Enhanced Anomaly Detection in Autonomous Driving Systems [1.3022753212679383]
  本稿では,複数の Explainable AI (XAI) メソッドを統合する新しい機能アンサンブルフレームワークを提案する。 このフレームワークは、6つの多様なAIモデルにまたがって、これらのXAIメソッドによって識別されるトップ機能を融合することによって、異常の検出に不可欠な堅牢で包括的な機能のセットを生成する。 我々の技術は、AIモデルの精度、堅牢性、透明性の向上を示し、より安全で信頼性の高い自動運転システムに貢献します。
  論文  参考訳（メタデータ） (2024-10-20T14:34:48Z)
• Characterization and Mitigation of Insufficiencies in Automated Driving Systems [0.5842419815638352]
  自動運転(AD)システムは安全性、快適性、エネルギー効率を高める可能性がある。 ADSの商業展開と広く採用は、部分的には乗客の安全を損なうシステム機能不全(FI)が道路の危険状況を引き起こしているため、穏健である。 本研究の目的は、FI緩和を改善し、ADSの商業展開を高速化するために、汎用的なアーキテクチャ設計パターンを定式化することである。
  論文  参考訳（メタデータ） (2024-04-15T08:19:13Z)
• Towards Automated Driving Violation Cause Analysis in Scenario-Based Testing for Autonomous Driving Systems [22.872694649245044]
  本稿では,運転違反原因分析(DVCA)ツールを提案する。 本ツールでは, 完全コンポーネントレベルの属性精度(100%), ほぼ完全なメッセージレベルの精度(>98%)を実現する。
  論文  参考訳（メタデータ） (2024-01-19T01:12:37Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving [15.486799633600423]
  AutoFedは、自動運転車のマルチモーダルセンサーデータをフル活用するためのフレームワークである。 本研究では, 未知の物体を背景として誤って扱うことを避けるために, 擬似ラベルを用いた新しいモデルを提案する。 また、欠落したデータモダリティを補うために、オートエンコーダに基づくデータ計算手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T01:31:53Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• 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)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。