探讨用于更安全自动驾驶汽车的“人在回路”机器学习

一篇新的arXiv论文探讨了集成“人在回路”机器学习（HITL-ML）技术以增强自动驾驶汽车（AVs）的安全性和伦理考量。该论文详细介绍了人类输入，通过验证、标注和偏好反馈等方法，如何解决感知、预测和决策方面的挑战，尤其是在复杂的驾驶场景中。它涵盖了各种HITL-ML方法，包括课程学习、强化学习、大型语言模型和主动学习，同时还强调了人类监督在AV系统中的透明度、问责制和可靠性的重要性。 AI

影响 通过将人类监督整合到机器学习过程中，增强了自动驾驶汽车开发中的安全性和伦理考量。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了用于自动驾驶汽车的“人在回路”机器学习的原则和方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• active learning
• arXiv
• Autonomous Vehicles
• Curriculum Learning
• Human-in-the-Loop Large Language Models
• Human-in-the-Loop Reinforcement Learning: A Survey and Position on Requirements, Challenges, and Opportunities
• Yousef Emamipoor

• 论文
• 安全
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →