論文の概要: Milestone Determination for Autonomous Railway Operation
- arxiv url: http://arxiv.org/abs/2510.06229v1
- Date: Tue, 30 Sep 2025 23:38:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-09 16:41:20.034821
- Title: Milestone Determination for Autonomous Railway Operation
- Title（参考訳）: 鉄道運転のマイルストーン決定
- Authors: Josh Hunter, John McDermid, Simon Burton, Poppy Fynes, Mia Dempster,
- Abstract要約: 本稿では,鉄道自動化のための効率的なコンピュータビジョンシステムの開発に焦点をあてる。
ルート固有でコンテキストに関連のあるキューにフォーカスすることで、実世界の運用ロジックとより緊密に整合した、リッチでシーケンシャルなデータセットを生成することができる。
このアプローチは、制御された予測可能な環境においてエージェントを訓練するための実践的なフレームワークを提供し、鉄道自動化のためのより安全で効率的な機械学習システムを提供する、と我々は主張する。
- 参考スコア（独自算出の注目度）: 1.7607165870657762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of railway automation, one of the key challenges has been the development of effective computer vision systems due to the limited availability of high-quality, sequential data. Traditional datasets are restricted in scope, lacking the spatio temporal context necessary for real-time decision-making, while alternative solutions introduce issues related to realism and applicability. By focusing on route-specific, contextually relevant cues, we can generate rich, sequential datasets that align more closely with real-world operational logic. The concept of milestone determination allows for the development of targeted, rule-based models that simplify the learning process by eliminating the need for generalized recognition of dynamic components, focusing instead on the critical decision points along a route. We argue that this approach provides a practical framework for training vision agents in controlled, predictable environments, facilitating safer and more efficient machine learning systems for railway automation.
- Abstract（参考訳）: 鉄道自動化の分野では、高品質でシーケンシャルなデータが少ないため、効率的なコンピュータビジョンシステムの開発が課題となっている。
従来のデータセットはスコープに制限されており、リアルタイムな意思決定に必要な時空間的コンテキストが欠如している。
ルート固有でコンテキストに関連のあるキューにフォーカスすることで、実世界の運用ロジックとより緊密に整合した、リッチでシーケンシャルなデータセットを生成することができる。
マイルストーン決定の概念は、動的コンポーネントの一般化された認識の必要性を排除し、経路に沿った決定点に焦点を合わせることによって学習プロセスを単純化する、ターゲットとなるルールベースのモデルの開発を可能にする。
このアプローチは、制御された予測可能な環境で視覚エージェントを訓練するための実践的なフレームワークを提供し、鉄道自動化のためのより安全で効率的な機械学習システムを容易にする、と我々は主張する。
関連論文リスト
- Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。
我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:06:55Z) - Meta-Learning for Speeding Up Large Model Inference in Decentralized Environments [23.07041967514726]
分散AIシステムにおける推論促進のためのメタラーニングベースのフレームワークを提案する。
従来の手法とは異なり,本フレームワークは各タスクの特徴に基づいて,最適な加速度戦略を体系的に同定する。
我々の結果は、分散AIシステムにおける推論加速の可能性を強調した。
論文 参考訳（メタデータ） (2025-08-08T09:53:53Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。
複雑な動的トラフィックシナリオを処理できる。
CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
論文 参考訳（メタデータ） (2024-10-03T06:45:59Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Residual Chain Prediction for Autonomous Driving Path Planning [5.139918355140954]
残留連鎖損失は損失計算過程を動的に調整し、予測経路点の時間依存性と精度を高める。
我々の研究は、自動運転車の計画コンポーネントに革命をもたらすために、Residual Chain Lossの可能性を浮き彫りにした。
論文 参考訳（メタデータ） (2024-04-08T11:43:40Z) - Learning for Semantic Knowledge Base-Guided Online Feature Transmission
in Dynamic Channels [41.59960455142914]
本稿では,エンドツーエンド通信システムにおける動的チャネル条件とデバイスモビリティの課題に対処する,オンライン最適化フレームワークを提案する。
提案手法は,多レベル特徴伝達を駆動するための意味的知識ベースを活用することによって,既存の手法に基づいている。
オンライン最適化の課題を解決するために,リアルタイム意思決定のための報酬関数を慎重に設計した,ソフトアクターに基づく深層強化学習システムの設計を行った。
論文 参考訳（メタデータ） (2023-11-30T07:35:56Z) - Learning Goal-Conditioned Policies Offline with Self-Supervised Reward
Shaping [94.89128390954572]
本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。
提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T15:07:10Z) - 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) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳（メタデータ） (2021-10-28T16:04:01Z)
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。