論文の概要: Correcting Autonomous Driving Object Detection Misclassifications with Automated Commonsense Reasoning
- arxiv url: http://arxiv.org/abs/2601.04271v1
- Date: Wed, 07 Jan 2026 12:01:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:52.848428
- Title: Correcting Autonomous Driving Object Detection Misclassifications with Automated Commonsense Reasoning
- Title（参考訳）: 自動コモンセンス推論による自動走行物体検出ミス分類の修正
- Authors: Keegan Kimbrell, Wang Tianhao, Feng Chen, Gopal Gupta,
- Abstract要約: ディープラーニングベースのAVモデルをトレーニングするのに十分なデータサンプルが不足している状況において、自動常識推論技術がどのように展開できるかを示す。
AVの知覚モデルでは正しく捉えられていない交通光の色や障害物を正確に検出する。
- 参考スコア（独自算出の注目度）: 3.7040986386112604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous Vehicle (AV) technology has been heavily researched and sought after, yet there are no SAE Level 5 AVs available today in the marketplace. We contend that over-reliance on machine learning technology is the main reason. Use of automated commonsense reasoning technology, we believe, can help achieve SAE Level 5 autonomy. In this paper, we show how automated common- sense reasoning technology can be deployed in situations where there are not enough data samples available to train a deep learning-based AV model that can handle certain abnormal road scenarios. Specifically, we consider two situations where (i) a traffic signal is malfunctioning at an intersection and (ii) all the cars ahead are slowing down and steering away due to an unexpected obstruction (e.g., animals on the road). We show that in such situations, our commonsense reasoning-based solution accurately detects traffic light colors and obstacles not correctly captured by the AV's perception model. We also provide a pathway for efficiently invoking commonsense reasoning by measuring uncertainty in the computer vision model and using commonsense reasoning to handle uncertain sce- narios. We describe our experiments conducted using the CARLA simulator and the results obtained. The main contribution of our research is to show that automated commonsense reasoning effectively corrects AV-based object detection misclassifications and that hybrid models provide an effective pathway to improving AV perception.
- Abstract（参考訳）: 自律走行車(AV)技術は研究され、追求されてきたが、現在市場にはSAE Level 5 AVが存在しない。
機械学習技術への過度な依存が主な理由である、と私たちは主張する。
自動コモンセンス推論技術を使用することで、SAEレベル5の自律性を達成できると考えています。
本稿では,ある異常な道路シナリオを処理可能な深層学習型AVモデルのトレーニングに十分なデータサンプルが不足している状況において,自動共通感覚推論技術をどのように展開できるかを示す。
特に2つの状況を考えると
(i)交差点で信号機が故障し、
(二)予期せぬ障害(道路上の動物等)のため、前方の全ての車が減速し、ハンドルを外している。
このような状況下では,AVの知覚モデルによって正しく捉えられていない交通光の色や障害物を,コモンセンス推論に基づく解が正確に検出できることが示される。
また,コンピュータビジョンモデルにおける不確かさを計測し,コモンセンス推論を用いて,不確かさに対処することで,コモンセンス推論を効率的に呼び出す方法を提案する。
CARLAシミュレータを用いて実施した実験と結果について述べる。
本研究の主な貢献は、自動コモンセンス推論がAVに基づく物体検出の誤分類を効果的に補正し、ハイブリッドモデルがAV知覚を改善する効果的な経路を提供することを示すことである。
関連論文リスト
- Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。
車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。
当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
論文 参考訳（メタデータ） (2025-07-01T09:20:41Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Automatic Vehicle Detection using DETR: A Transformer-Based Approach for Navigating Treacherous Roads [1.2187048691454239]
本研究では,複雑かつ多様な環境下での自動車両検出のための検出変換器(DETR)を初めて実験した。
我々は,コラボレーティブ・ハイブリッド・アサインメント・トレーニング・スキームであるCo-DETRを用いて,DeTRの特徴学習と注意機構を強化する。
提案手法は,より優れた結果を得るとともに,多様な条件下での精度の向上を実現し,実世界の展開に有効である。
論文 参考訳（メタデータ） (2025-02-25T04:43:28Z) - Commonsense Reasoning-Aided Autonomous Vehicle Systems [0.0]
この研究は、画像データを用いてAVシステムを改善するコモンセンス推論モデルを統合することを含む。
これにより、AVシステムはより正確な推論を行いつつ、より調整しやすく、説明しやすく、倫理的に実行できる。
論文 参考訳（メタデータ） (2025-02-13T11:53:25Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Explanations in Autonomous Driving: A Survey [7.353589916907923]
我々は、説明可能な自動運転における既存の作業の包括的調査を行う。
我々は、AVの開発、使用、規制に関わる様々な利害関係者を特定し、分類する。
論文 参考訳（メタデータ） (2021-03-09T00:31:30Z) - A Survey on Autonomous Vehicle Control in the Era of Mixed-Autonomy:
From Physics-Based to AI-Guided Driving Policy Learning [7.881140597011731]
本稿では、人工知能(AI)から自律走行車(AV)制御のための輸送工学分野への潜在的に有用なモデルと方法論の紹介と概要を提供する。
我々は、AI誘導手法の最先端の応用について議論し、機会と障害を特定し、オープンな質問を提起し、AIが混合自律において役割を果たす可能性のあるビルディングブロックとエリアを提案する。
論文 参考訳（メタデータ） (2020-07-10T04:27:39Z)
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。