論文の概要: A Five-Layer MLOps Architecture for Connected Automated Driving

• arxiv url: http://arxiv.org/abs/2605.12719v1
• Date: Tue, 12 May 2026 20:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.67085
• Title: A Five-Layer MLOps Architecture for Connected Automated Driving
• Title（参考訳）: 接続自動運転のための5層MLOpsアーキテクチャ
• Authors: Bastian Lampe, Lutz Eckstein,
• Abstract要約: 自動走行システム(ADS)の安全性と性能の継続的な保証は重要な課題である。 ADSの人間ドライバーに対するアドバンテージは、データを集合的に収集する能力の向上である。 本稿では,ADSのための集合学習型MLOpsプロセスのための5層アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The continual assurance of safety and performance of automated driving systems (ADSs) poses significant challenges. ADSs operate in complex, dynamic, open-world environments allowing a wide range of scenarios, including ones that are rare or not foreseen during initial development. While the incorporation of artificial intelligence (AI) and machine learning (ML) technology allows ADSs to learn from data gathered during operation and thus enables them to adapt over time, these approaches come with their own challenges. A key advantage of ADSs compared to human drivers is their greater ability to gather data collectively across a fleet of vehicles, or even across multiple fleets operated by different entities, and to learn from this data collectively. Vehicles can share and combine their data to identify additional learning opportunities otherwise missed by individual vehicles. This creates new opportunities to tackle the challenges of continual assurance of safety and performance, but requires the implementation of architectures that leverage the collective learning potential. Based on established MLOps principles and existing work in the field of connected automated driving, this paper presents a five-layer architecture for collective learning-enabled MLOps processes for ADSs. The goal of this architecture is to provide a conceptual blueprint for the design and implementation of MLOps processes by fleet operators and other relevant stakeholders. The paper describes the main responsibilities of each layer, their interactions, and how multi-level self-assessments enabled by the architecture can support the detection and reduction of edge cases including black swan events.
• Abstract（参考訳）: 自動走行システム(ADS)の安全性と性能の継続的な保証は重要な課題である。 ADSは複雑な動的でオープンな環境で動作し、初期の開発で稀なシナリオや前向きでないシナリオを含む幅広いシナリオを可能にする。 人工知能(AI)と機械学習(ML)技術の一体化により、AIは運用中に収集されたデータから学習し、時間とともに適応できるようになるが、これらのアプローチには独自の課題が伴う。 人間のドライバーと比較して、ADSの重要な利点は、車両の群をまたいだデータ収集能力、あるいは異なるエンティティによって運営される複数の群をまたいだデータ収集能力、そしてこのデータから集合的に学習できることである。 車両はデータを共有し、組み合わせることで、個々の車両が見逃した追加の学習機会を特定できる。 これにより、安全性とパフォーマンスの継続的な保証という課題に取り組む新たな機会が生まれるが、全体的な学習能力を活用するアーキテクチャの実装が必要である。 本稿では、MLOpsの確立された原則とコネクテッド自動運転の分野における既存の作業に基づいて、ADSのための集合学習対応MLOpsプロセスのための5層アーキテクチャを提案する。 このアーキテクチャの目的は、フリートオペレータや他の関連するステークホルダーによるMLOpsプロセスの設計と実装のための概念的な青写真を提供することである。 本稿は, 各層の主な責務, 相互作用, アーキテクチャによって実現される多段階自己評価が, ブラックスワンイベントを含むエッジケースの検出と縮小をいかに支援するかについて述べる。

関連論文リスト

• IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration [0.0]
  本稿では,2次元屋内環境における課題に対処するために,MARL(Multi-Agent Reinforcement Learning)を実装した。 政策訓練は、不確実性の下で創発的な協調行動と意思決定を達成することを目的としている。
  論文  参考訳（メタデータ） (2026-02-02T22:08:41Z)
• Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
  自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。 本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T17:58:01Z)
• FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks [13.159277094011053]
  Federated Learning(FL)は、自動運転車が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。 We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。 FLAD には,(1) 通信遅延を低減し,データのプライバシを保護するクラウドエッジ車両協調アーキテクチャ,(2) 訓練効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(3) 異種エッジデータに基づいて LLM をパーソナライズする知識蒸留手法,の3つの革新がある。
  論文  参考訳（メタデータ） (2025-11-12T06:25:13Z)
• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• CAML: Collaborative Auxiliary Modality Learning for Multi-Agent Systems [38.20651868834145]
  我々は,新しいマルチモーダル・マルチエージェント・フレームワークである協調補助モダリティ学習(CAML)を提案する。 事故検出においてCAMLが最大で$bf 58.1%の改善を達成していることを示す。 また,コラボレーティブセマンティックセグメンテーションのための実世界の地上ロボットデータ上でCAMLを検証する。
  論文  参考訳（メタデータ） (2025-02-25T03:59:40Z)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Efficient Connected and Automated Driving System with Multi-agent Graph Reinforcement Learning [22.369111982782634]
  最近、コネクテッド・アンド・オートマチック・ビークル(CAV)が注目を集めている。 我々は,各自動走行車両が相互に協力関係を学べるようにすることで,交通システム全体の成果を改善する方法に焦点をあてる。
  論文  参考訳（メタデータ） (2020-07-06T14:55:48Z)

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。