Hybrid Fuzzy Neural Systems for Real Time Decision Making in Autonomous Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The real-time decision making for autonomous vehicles is challenging because the driving environment is high-dimensional, dynamic, and uncertain. One such approach that shows promise is the use of hybrid fuzzy-neural systems which capitalize on the human-like reasoning of fuzzy logic combined with the adaptive learning capabilities of the neural network. In this paper, we will study some of the such systems developed and utilized for improving decision-making in autonomous vehicles. The proposed method employs fuzzy logic to process vague or imprecise data, allowing the system to function in the lack of crisp data or in uncertain situations. At the same time, we have neural networks, which learn from the big data, figure out what is best to do in a variety of situations by gaining experience and improving accuracy for their decisions as time goes on. The hybrid system, by integrating both the model-based and data-driven approaches, is capable of handling complex and dynamic inputs such as variations in traffic, human walking patterns, and sudden obstacles, resulting in more accurate and reliable decision-making in a timely manner. Experimental evaluations show that H-FN AMURs achieve significantly better navigation accuracy and responsiveness than AMURs based merely on fuzzy logic or neural network models. Combining these systems enables adaptive learning and strong decision-making, necessary for living in an unpredictable environment and assuring passenger safety. Through a well-designed framework, this study addresses the question on how intelligent transportation systems can improve the decision-making processes of autonomous vehicles. Further, a final address will explore the potential of integrating driving-by-weight simulations to create efficient hybrid models for such autonomous navigation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle