論文の概要: What Did I Learn? Operational Competence Assessment for AI-Based Trajectory Planners

• arxiv url: http://arxiv.org/abs/2510.00619v1
• Date: Wed, 01 Oct 2025 07:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.447525
• Title: What Did I Learn? Operational Competence Assessment for AI-Based Trajectory Planners
• Title（参考訳）: 私が学んだことは?AIベースの軌道プランナの運用能力評価
• Authors: Michiel Braat, Maren Buermann, Marijke van Weperen, Jan-Pieter Paardekooper,
• Abstract要約: トレーニングされたモデルの運用リスクを評価するために、データセットに含まれるものを知ることが重要です。 本稿では,知識グラフとして駆動データをモデル化し,実体とその関連性を持つ運転シーンを表現した。 トレーニングセットにおけるサブシーン構成のカバレッジと複雑さを考慮し,運転シーンにおける車両の能力を評価する。
• 参考スコア（独自算出の注目度）: 0.47998222538650537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated driving functions increasingly rely on machine learning for tasks like perception and trajectory planning, requiring large, relevant datasets. The performance of these algorithms depends on how closely the training data matches the task. To ensure reliable functioning, it is crucial to know what is included in the dataset to assess the trained model's operational risk. We aim to enhance the safe use of machine learning in automated driving by developing a method to recognize situations that an automated vehicle has not been sufficiently trained on. This method also improves explainability by describing the dataset at a human-understandable level. We propose modeling driving data as knowledge graphs, representing driving scenes with entities and their relationships. These graphs are queried for specific sub-scene configurations to check their occurrence in the dataset. We estimate a vehicle's competence in a driving scene by considering the coverage and complexity of sub-scene configurations in the training set. Higher complexity scenes require greater coverage for high competence. We apply this method to the NuPlan dataset, modeling it with knowledge graphs and analyzing the coverage of specific driving scenes. This approach helps monitor the competence of machine learning models trained on the dataset, which is essential for trustworthy AI to be deployed in automated driving.
• Abstract（参考訳）: 自動運転機能は、認識や軌道計画といったタスクのために機械学習にますます依存し、大規模な関連するデータセットを必要とする。 これらのアルゴリズムのパフォーマンスは、トレーニングデータがタスクにどの程度近いかによって異なります。 信頼性の高い機能を保証するためには、トレーニングされたモデルの運用リスクを評価するために、データセットに含まれるものを知ることが重要です。 本研究の目的は、自動運転車が十分に訓練されていない状況を認識する手法を開発することにより、自動運転における機械学習の安全性を高めることである。 この方法は、人間の理解可能なレベルでデータセットを記述することにより、説明可能性も向上する。 本稿では,知識グラフとして駆動データをモデル化し,実体とその関連性を持つ運転シーンを表現した。 これらのグラフは、データセットにおけるそれらの発生をチェックするために、特定のサブシーン設定のためにクエリされる。 トレーニングセットにおけるサブシーン構成のカバレッジと複雑さを考慮し,運転シーンにおける車両の能力を評価する。 高い複雑さのシーンは、高い能力のためにより大きなカバレッジを必要とします。 この手法をNuPlanデータセットに適用し、知識グラフを用いてモデル化し、特定の運転シーンのカバレッジを分析する。 このアプローチは、データセット上でトレーニングされた機械学習モデルの能力を監視するのに役立つ。

関連論文リスト

• Learning to Drive by Imitating Surrounding Vehicles [0.8902959815221526]
  本研究では、周辺車両の観測軌道を利用したデータ拡張戦略を実証実験として検討する。 本稿では,情報的かつ多様な運転行動を優先する簡易な車両選択サンプリングとフィルタリング手法を提案する。 具体的には、このアプローチは衝突率を低減し、ベースラインと比較して安全性の指標を改善する。
  論文  参考訳（メタデータ） (2025-03-08T00:40:47Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Towards exploring adversarial learning for anomaly detection in complex driving scenes [0.32116198597240836]
  機械学習のサブフィールドである敵対的学習は、画像やビデオの異常を、単純なデータセットで印象的な結果で検出できることを証明した。 本研究では,バークレーディープドライブ(Berkeley DeepDrive)と呼ばれる,複雑な運転シーンのデータセット上で,そのような技術の性能について調査し,知見を提供する。
  論文  参考訳（メタデータ） (2023-06-17T15:32:16Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)
• Important Object Identification with Semi-Supervised Learning for Autonomous Driving [37.654878298744855]
  本稿では,エゴセントリック駆動シナリオにおける重要な物体識別のための新しい手法を提案する。 モデルが無制限なラベル付きデータから学習できるようにするための,半教師付き学習パイプラインを提案する。 私たちのアプローチはルールベースのベースラインよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-03-05T01:23:13Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• The NEOLIX Open Dataset for Autonomous Driving [1.4091801425319965]
  自律走行領域におけるNEOLIXデータセットとその応用について述べる。 私たちのデータセットには、ポイントクラウドラベル付き約30,000フレームと、アノテーション付き600k以上の3Dバウンディングボックスが含まれています。
  論文  参考訳（メタデータ） (2020-11-27T02:27:39Z)

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。