Core Concepts
CLIC ermöglicht die kontinuierliche Verbesserung autonomer Fahrzeugmodelle durch individuelle Lehrpläne und Szenarioauswahl.
Abstract
I. Einführung
Sicherheit von autonomen Fahrzeugen als Hauptanliegen
Forschung zu Szenarien-basiertem autonomem Fahren
Herausforderungen bei der Nutzung historischer Szenarien für die Verbesserung von AV-Modellen
II. Verwandte Arbeit
Szenario-basiertes autonomes Fahren als beliebtes Paradigma
Fokus auf Szenariengenerierung und Testen von AV-Modellen
III. Methodik
Problemformulierung für Szenarien und AV-Training
Algorithmischer Rahmen für AV-Bewertung, Szenarioauswahl und AV-Training
IV. Experimente
Überlegenheit von CLIC gegenüber Baselines in der Trainingsleistung
Analyse der Szenarioauswahl und -gewichtung durch CLIC
Individualisierung von Lehrplänen für spezifische AV-Defekte
V. Schlussfolgerung und zukünftige Arbeit
CLIC als Rahmen für kontinuierliches Lernen in komplexen Aufgaben
Stats
"Die Erfolgsrate beträgt 62% für ein untrainiertes AV-Modell."
"CLIC übertrifft alle Baselines in allen Metriken."
"CLIC wählt 27,87% der Szenarien für AVs mit Defekten aus."
Quotes
"CLIC maximiert die Nutzung historischer Szenarien für die AV-Optimierung."
"CLIC ermöglicht die individuelle Anpassung des Trainings für AV-Verbesserungen."