Dec, 2023

对危险驾驶场景的基于知识的逻辑的鲁棒性验证

PDF
TL;DR基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识，这对于识别交通危险非常关键，可以监督和改进安全关键系统中的人工智能模型。同时，我们使用自动验证方法验证了这种逻辑的健壮性。
decision-making scenariosartificial intelligence algorithmssecurityfairnessprivacy
发现论文，激发创造
  • 基于强化学习的自我改进安全驾驶性能与黑盒验证算法

    提出了一种自我完善的人工智能系统，通过黑盒验证方法，增强基于强化学习的自主驾驶代理的安全性能。在发现自动驾驶失败情况后，RL 代理的训练通过迁移学习重新初始化，以改善先前不安全的情况的表现

    Oct, 2022

  • 基于人工智能的汽车应用软件元素具备的固有多样冗余安全机制

    通过研究自动驾驶系统中基于人工智能的算法，本文探讨了人工智能模型的作用和挑战，特别是在复杂和高维环境中执行实时关键功能的软件元素。针对安全关键应用，为了减少 AI 模型过于自信带来的风险，提出了一些培训方法，如实现确定性报告架构和确保多样性训练数据。此外，还讨论了现有方法在安全关键应用中的适用性，强调了其优点和局限性，并提出了提高自动驾驶车辆中人工智能算法安全性和可靠性的潜在改进措施。

    Feb, 2024

  • 面向本体机器学习的鲁棒训练数据集：紧急道路车辆检测案例研究

    通过验证训练数据集的领域完整性和图像质量鲁棒性，提高安全关键领域中机器学习模型的可信度和鲁棒性，并通过紧急道路车辆领域的本体构建实验进行了概念性证明。

    Jun, 2024

  • 利用本体论对自动驾驶的正式化和关键性识别

    本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型，并利用本体论对交通场景因素进行建模和推理，得出交通状况关键因素。我们采用联合描述逻辑和规则推理器，并开展了一项基于大规模无人机数据集的实验评估。

    May, 2022

  • 决策算法评估多模态安全关键场景生成

    该研究提出了一种基于流的多模态安全关键场景生成器用于评估决策算法的鲁棒性，并使用六个强化学习算法进行实验，从而得出了它们的鲁棒性。

    Sep, 2020

  • 从操作测试中评估安全关键系统：自动驾驶汽车研究

    使用保守贝叶斯推断方法，探讨从技术层面如何评估自动驾驶系统，维护其高可靠性和安全性。

    Aug, 2020

  • 利用背景知识进行交通情境的鲁棒推理

    本文讨论交通理解的文本方法，采用三种基于知识的方法进行针对交通情境的零 - shot 问答，在大量语料库和知识图中提取常识知识。作者构建两个文本多项选择问答集来评估交通领域的因果推理和类似于人类驾驶执照测试的领域知识，其中 Unified-QA 是最好的方法之一，而 DPR+Unified-QA 的知识提取方式更为高效。

    Dec, 2022

  • 利用视觉问答解释自主驾驶行为

    通过视觉问答 (VQA) 框架解释自动驾驶的决策，以提高驾驶安全性。

    Jul, 2023

  • 通过人类示范辅助强化学习在自动驾驶车道变换中的安全决策

    通过将人类驾驶员的决策作为安全演示进行学习，本研究提出的基于强化学习的决策策略在实践中可显著提高自主驾驶汽车的安全性。

    Jul, 2022

  • 基于技能发现的自动驾驶车辆交叉口自适应决策

    提出一种基于强化学习和动作基元的分层框架，可自主收集和重复使用知识来解决城市环境下自动驾驶面临的挑战和不确定性，通过 CARLA 模拟器的测试，其表现优于其他基线方法。

    Jul, 2022