論文の概要: A Concept for Efficient Scalability of Automated Driving Allowing for Technical, Legal, Cultural, and Ethical Differences

• arxiv url: http://arxiv.org/abs/2507.18326v1
• Date: Thu, 24 Jul 2025 11:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.529365
• Title: A Concept for Efficient Scalability of Automated Driving Allowing for Technical, Legal, Cultural, and Ethical Differences
• Title（参考訳）: 技術・法・文化・倫理的差異を考慮した自動走行の効率的な拡張性の概念
• Authors: Lars Ullrich, Michael Buchholz, Jonathan Petit, Klaus Dietmayer, Knut Graichen,
• Abstract要約: 本稿では,望まれるシステムや環境への汎用能力のスケーラブルな適応という課題に対処する。 第1段階では、特定の環境への微調整は、国固有の報酬モデルによって行われる。 第2段階では、車両固有の伝達学習がシステム適応を促進し、設計決定の検証を統制する。
• 参考スコア（独自算出の注目度）: 12.298932895015092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient scalability of automated driving (AD) is key to reducing costs, enhancing safety, conserving resources, and maximizing impact. However, research focuses on specific vehicles and context, while broad deployment requires scalability across various configurations and environments. Differences in vehicle types, sensors, actuators, but also traffic regulations, legal requirements, cultural dynamics, or even ethical paradigms demand high flexibility of data-driven developed capabilities. In this paper, we address the challenge of scalable adaptation of generic capabilities to desired systems and environments. Our concept follows a two-stage fine-tuning process. In the first stage, fine-tuning to the specific environment takes place through a country-specific reward model that serves as an interface between technological adaptations and socio-political requirements. In the second stage, vehicle-specific transfer learning facilitates system adaptation and governs the validation of design decisions. In sum, our concept offers a data-driven process that integrates both technological and socio-political aspects, enabling effective scalability across technical, legal, cultural, and ethical differences.
• Abstract（参考訳）: 自動化運転(AD)の効率的なスケーラビリティは、コスト削減、安全性の向上、リソースの保存、影響の最大化に欠かせない。 しかしながら、研究は特定の車両と状況に焦点を当て、広範なデプロイメントにはさまざまな構成や環境にまたがるスケーラビリティが必要である。 車両の種類、センサー、アクチュエータ、交通規制、法的要件、文化的ダイナミクス、あるいは倫理的パラダイムの違いは、データ駆動開発能力の柔軟性を必要とする。 本稿では,所望のシステムや環境に対して,汎用能力をスケーラブルに適応させることの課題に対処する。 私たちのコンセプトは2段階の微調整プロセスに従っています。 第一段階では、特定の環境への微調整は、技術的適応と社会政治的要求の間のインターフェースとして機能する国固有の報酬モデルによって行われる。 第2段階では、車両固有の伝達学習がシステム適応を促進し、設計決定の検証を統制する。 要約すると、私たちの概念は、技術的、法的、文化的、倫理的な違いをまたいで効果的なスケーラビリティを実現する、技術的、社会的、政治的両方の側面を統合するデータ駆動プロセスを提供します。

関連論文リスト

• AI Should Sense Better, Not Just Scale Bigger: Adaptive Sensing as a Paradigm Shift [12.82447756078577]
  現在のAIの進歩は、一般化と堅牢性を達成するために、ニューラルネットワークのスケーリングとトレーニングデータセットの拡張に大きく依存している。 生体感覚システムにインスパイアされた我々は、適応センシングを必要かつ基礎的なシフトとして提唱する。 我々は、ヒューマノイド、ヘルスケア、自律システム、農業、環境モニタリングにまたがる現実のアプリケーションに適応センシングを幅広く統合するロードマップを概説する。
  論文  参考訳（メタデータ） (2025-07-10T14:50:32Z)
• Research on Driving Scenario Technology Based on Multimodal Large Lauguage Model Optimization [1.0485739694839669]
  本稿では,運転シナリオにおけるマルチモーダルモデルを最適化するための包括的手法を提案する。 このメソッドは動的プロンプト最適化、データセットの構築、モデルトレーニング、デプロイメントといった重要な側面をカバーする。 モデルトレーニングでは、知識蒸留、動的微調整、量子化といった高度な技術が統合され、性能を高めながら記憶と計算コストを削減できる。
  論文  参考訳（メタデータ） (2025-05-28T02:22:11Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Generative AI in Transportation Planning: A Survey [41.38132349994159]
  我々は、交通計画においてGenAIを活用するための最初の包括的枠組みを提示する。 交通計画の観点から, 記述的, 予測的, 生成的, シミュレーション, 説明可能なタスクの自動化におけるGenAIの役割を検討する。 データ不足、説明可能性、バイアス軽減、ドメイン固有の評価フレームワークの開発など、重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-03-10T10:33:31Z)
• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion [0.0]
  本稿では,人工知能(AI)駆動技術が交通渋滞動態に与える影響について検討する。 我々は,自動運転車やインテリジェント交通管理といったAIイノベーションが,さまざまな規制枠組みの下での混雑緩和に果たす役割を評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:09:02Z)
• Parameterized Decision-making with Multi-modal Perception for Autonomous Driving [12.21578713219778]
  AUTOと呼ばれる深層強化学習に基づくマルチモーダル認識を用いたパラメータ化意思決定フレームワークを提案する。 ハイブリッド報酬関数は、安全、交通効率、乗客の快適性、および最適な行動を生成するためのフレームワークを導く影響を考慮に入れている。
  論文  参考訳（メタデータ） (2023-12-19T08:27:02Z)
• Predictable Artificial Intelligence [77.1127726638209]
  本稿では予測可能なAIのアイデアと課題を紹介する。 それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。 予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-10-09T21:36:21Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• 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 and Adaptable Driving Behavior Prediction [34.606012573285554]
  本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。 我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-02-10T16:46:24Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)

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。