論文の概要: Akkumula: Evidence accumulation driver models with Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2505.05489v1
- Date: Wed, 30 Apr 2025 10:03:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-18 22:55:23.156228
- Title: Akkumula: Evidence accumulation driver models with Spiking Neural Networks
- Title（参考訳）: Akkumula:スパイキングニューラルネットワークを用いたエビデンス蓄積ドライバモデル
- Authors: Alberto Morando,
- Abstract要約: 本稿では,ディープラーニング技術を用いたエビデンス蓄積モデリングフレームワークであるAkkumulaを紹介する。
ライブラリのコアはスパイキングニューラルネットワークに基づいており、その動作は生物学的脳内のエビデンス蓄積プロセスを模倣している。
このモデルは、車両センサデータに基づく車両制御の時間経過によく適合する。
- 参考スコア（独自算出の注目度）: 1.6988773509268102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Processes of evidence accumulation for motor control contribute to the ecological validity of driver models. According to established theories of cognition, drivers make control adjustments when a process of accumulation of perceptual inputs reaches a decision boundary. Unfortunately, there is not a standard way for building such models, limiting their use. Current implementations are hand-crafted, lack adaptability, and rely on inefficient optimization techniques that do not scale well with large datasets. This paper introduces Akkumula, an evidence accumulation modelling framework built using deep learning techniques to leverage established coding libraries, gradient optimization, and large batch training. The core of the library is based on Spiking Neural Networks, whose operation mimic the evidence accumulation process in the biological brain. The model was tested on data collected during a test-track experiment. Results are promising. The model fits well the time course of vehicle control (brake, accelerate, steering) based on vehicle sensor data. The perceptual inputs are extracted by a dedicated neural network, increasing the context-awareness of the model in dynamic scenarios. Akkumula integrates with existing machine learning architectures, benefits from continuous advancements in deep learning, efficiently processes large datasets, adapts to diverse driving scenarios, and maintains a degree of transparency in its core mechanisms.
- Abstract（参考訳）: 運動制御のためのエビデンス蓄積のプロセスは、ドライバーモデルの生態学的妥当性に寄与する。
認知の確立された理論によれば、ドライバーは知覚入力の蓄積プロセスが決定境界に達すると制御調整を行う。
残念ながら、そのようなモデルを構築するための標準的な方法はなく、使用を制限しています。
現在の実装は手作りで、適応性に欠けており、大規模なデータセットではうまくスケールしない非効率な最適化技術に依存している。
本稿では,Akkumulaについて紹介する。Akkumulaは,ディープラーニング技術を用いて構築された,確立したコーディングライブラリ,勾配最適化,大規模バッチトレーニングを活用するエビデンス蓄積モデリングフレームワークである。
ライブラリのコアはスパイキングニューラルネットワークに基づいており、その動作は生物学的脳内のエビデンス蓄積プロセスを模倣している。
モデルは、テストトラック実験中に収集されたデータに基づいてテストされた。
結果は有望だ。
このモデルは、車両センサーのデータに基づいて車両制御(ブレーキ、アクセラレーション、ステアリング)の時間経過によく適合する。
知覚入力は専用ニューラルネットワークによって抽出され、動的シナリオにおけるモデルのコンテキスト認識性を高める。
Akkumulaは既存の機械学習アーキテクチャを統合し、ディープラーニングの継続的な進歩の恩恵を受け、大規模なデータセットを効率的に処理し、さまざまな駆動シナリオに適応し、コアメカニズムにおける透明性の度合いを維持する。
関連論文リスト
- Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。
従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。
本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
論文 参考訳（メタデータ） (2024-07-17T06:32:52Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - Quantized Distillation: Optimizing Driver Activity Recognition Models
for Resource-Constrained Environments [34.80538284957094]
本稿では,資源効率の高いドライバアクティビティ認識のための軽量フレームワークを提案する。
このフレームワークは、ビデオ分類のスピードに最適化されたニューラルネットワークである3D MobileNetを強化する。
モデルサイズを3倍に削減し、推論時間を1.4倍改善する。
論文 参考訳（メタデータ） (2023-11-10T10:07:07Z) - Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。
我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
論文 参考訳（メタデータ） (2023-03-27T13:39:26Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Data Models for Dataset Drift Controls in Machine Learning With Optical
Images [8.818468649062932]
主な障害モードは、トレーニングデータとデプロイメントデータの違いによるパフォーマンス低下である。
既存のアプローチでは、関心の対象であるデータ(データ)の明示的なモデルは説明できない。
本研究では、画像データに対してそのようなデータモデルを構築する方法を示し、データセットのドリフトに関連する下流機械学習モデルの性能を制御する。
論文 参考訳（メタデータ） (2022-11-04T16:50:10Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳（メタデータ） (2022-06-06T20:05:17Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z)
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。