論文の概要: Perception as prediction using general value functions in autonomous
driving applications
- arxiv url: http://arxiv.org/abs/2001.09113v1
- Date: Fri, 24 Jan 2020 17:33:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 05:23:52.172789
- Title: Perception as prediction using general value functions in autonomous
driving applications
- Title(参考訳): 自律運転における一般値関数を用いた知覚の予測
- Authors: Daniel Graves, Kasra Rezaee, Sean Scheideman
- Abstract要約: 予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学習する。
エージェントの前部安全と後部安全をGVFで予測することを学ぶことにより,予測として認識を実証する。
これらの予測は、適応的なクルーズ制御問題において、LQRベースのコントローラに類似した制御動作を生成するために使用できることを示す。
- 参考スコア(独自算出の注目度): 5.071770433010771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose and demonstrate a framework called perception as prediction for
autonomous driving that uses general value functions (GVFs) to learn
predictions. Perception as prediction learns data-driven predictions relating
to the impact of actions on the agent's perception of the world. It also
provides a data-driven approach to predict the impact of the anticipated
behavior of other agents on the world without explicitly learning their policy
or intentions. We demonstrate perception as prediction by learning to predict
an agent's front safety and rear safety with GVFs, which encapsulate
anticipation of the behavior of the vehicle in front and in the rear,
respectively. The safety predictions are learned through random interactions in
a simulated environment containing other agents. We show that these predictions
can be used to produce similar control behavior to an LQR-based controller in
an adaptive cruise control problem as well as provide advanced warning when the
vehicle behind is approaching dangerously. The predictions are compact
policy-based predictions that support prediction of the long term impact on
safety when following a given policy. We analyze two controllers that use the
learned predictions in a racing simulator to understand the value of the
predictions and demonstrate their use in the real-world on a Clearpath Jackal
robot and an autonomous vehicle platform.
- Abstract(参考訳): 我々は,一般価値関数(gvfs)を用いた自律運転の予測として知覚という枠組みを提案し,その実証を行った。
予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学ぶ。
また、ポリシーや意図を明示的に学習することなく、他のエージェントが予測した行動が世界に与える影響を予測するデータ駆動アプローチも提供する。
我々は,GVFを用いてエージェントの前部安全と後部安全を予測し,前部および後部における車両の挙動の予測をカプセル化する学習による予測として認識を実証する。
安全予測は、他のエージェントを含むシミュレーション環境でランダムな相互作用を通じて学習される。
これらの予測は、適応クルーズ制御問題においてlqrベースのコントローラと類似した制御挙動を発生させるだけでなく、後方の車両が危険に接近した場合に高度な警告を与えるために使用できる。
予測は、特定の政策に従う際の安全性に対する長期的な影響を予測するための、コンパクトな政策に基づく予測である。
レースシミュレータで学習した予測を用いた2つのコントローラを解析し,予測の価値を理解し,clearpath jackalロボットと自律走行車プラットフォームにおける実世界での利用を実証する。
関連論文リスト
- Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。
予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。
よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文 参考訳(メタデータ) (2024-08-09T16:03:44Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳(メタデータ) (2022-09-19T03:34:59Z) - ScePT: Scene-consistent, Policy-based Trajectory Predictions for
Planning [32.71073060698739]
軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。
政策計画に基づく軌道予測モデルであるScePTを提案する。
明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
論文 参考訳(メタデータ) (2022-06-18T00:00:02Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - Self-Supervised Action-Space Prediction for Automated Driving [0.0]
本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。
学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。
提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
論文 参考訳(メタデータ) (2021-09-21T08:27:56Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Pedestrian Behavior Prediction for Automated Driving: Requirements,
Metrics, and Relevant Features [1.1888947789336193]
システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。
人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。
複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
論文 参考訳(メタデータ) (2020-12-15T16:52:49Z) - Towards Incorporating Contextual Knowledge into the Prediction of
Driving Behavior [5.345872343035626]
外部条件による予測の影響について検討する。
より正確には、横方向の動作予測に対する最先端のアプローチが、ある選択された外部条件、すなわち交通密度の影響について検討する。
本研究は,自動走行車への情報統合に向けた第一歩となる。
論文 参考訳(メタデータ) (2020-06-15T15:21:02Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳(メタデータ) (2020-03-25T16:09:54Z)
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。