論文の概要: Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2001.11231v1
• Date: Thu, 30 Jan 2020 09:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 11:53:17.976103
• Title: Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles
• Title（参考訳）: 自動車の運動計画のための深層強化学習に関する調査
• Authors: Szil\'ard Aradi
• Abstract要約: 深層強化学習(DRL) 論文では、車両モデル、シミュレーション可能性、計算要求について記述する。 自律運転のさまざまなタスクとレベルによって体系化された最先端のソリューションを調査します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Academic research in the field of autonomous vehicles has reached high popularity in recent years related to several topics as sensor technologies, V2X communications, safety, security, decision making, control, and even legal and standardization rules. Besides classic control design approaches, Artificial Intelligence and Machine Learning methods are present in almost all of these fields. Another part of research focuses on different layers of Motion Planning, such as strategic decisions, trajectory planning, and control. A wide range of techniques in Machine Learning itself have been developed, and this article describes one of these fields, Deep Reinforcement Learning (DRL). The paper provides insight into the hierarchical motion planning problem and describes the basics of DRL. The main elements of designing such a system are the modeling of the environment, the modeling abstractions, the description of the state and the perception models, the appropriate rewarding, and the realization of the underlying neural network. The paper describes vehicle models, simulation possibilities and computational requirements. Strategic decisions on different layers and the observation models, e.g., continuous and discrete state representations, grid-based, and camera-based solutions are presented. The paper surveys the state-of-art solutions systematized by the different tasks and levels of autonomous driving, such as car-following, lane-keeping, trajectory following, merging, or driving in dense traffic. Finally, open questions and future challenges are discussed.
• Abstract（参考訳）: 近年、センサー技術、V2X通信、安全性、セキュリティ、意思決定、制御、さらには法的および標準化規則などに関する学術的な研究が盛んに行われている。 古典的な制御設計アプローチの他に、人工知能と機械学習の手法はほとんど全ての分野に存在する。 もうひとつの研究は、戦略的決定、軌道計画、制御など、さまざまな階層の運動計画に焦点を当てている。 機械学習自体の幅広い技術が開発されており、本記事では深層強化学習(Dep Reinforcement Learning:DRL)について述べる。 本稿では,階層型動作計画問題について考察し,DRLの基礎について述べる。 このようなシステムを設計する主な要素は、環境のモデリング、モデリング抽象化、状態と知覚モデルの記述、適切な報酬、基盤となるニューラルネットワークの実現である。 本論文は,車両モデル,シミュレーション可能性,計算要件について述べる。 異なるレイヤと観測モデル、例えば連続的および離散的な状態表現、グリッドベース、カメラベースのソリューションに関する戦略的決定を示す。 本稿では,自動車追従,車線維持,軌跡追従,合流,高密度交通における運転など,さまざまなタスクと自律運転レベルによって体系化された最先端のソリューションを調査した。 最後に、オープン質問と今後の課題について論じる。

関連論文リスト

• Autonomous Vehicles: Evolution of Artificial Intelligence and Learning Algorithms [0.0]
  この研究は、長年にわたるAI/学習アルゴリズムの使用状況とタイプに関する統計的知見を提示する。 本論文では,トラックおよび自動車の精製アルゴリズムにおけるパラメータの役割について述べる。 結論は、さまざまなレベルの自律性を概説し、AIと学習アルゴリズムの微妙な使用を解明することだ。
  論文  参考訳（メタデータ） (2024-02-27T17:07:18Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [67.843551583229]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• End-to-end Autonomous Driving using Deep Learning: A Systematic Review [0.0]
  エンドツーエンドの自律運転(End-to-end autonomous driving)は、センサーの入力データやその他のメタデータを事前情報として取り込み、エゴ車の制御信号や計画された軌跡を直接出力する、完全に微分可能な機械学習システムである。 本稿では, 物体検出, セマンティックシーン理解, 物体追跡, 軌道予測, 軌道計画, 車両制御, 社会行動, コミュニケーションなど, 最新の機械学習技術をすべて体系的に検証し, このエンドツーエンドのタスクを実行する。
  論文  参考訳（メタデータ） (2023-08-27T17:43:58Z)
• KARNet: Kalman Filter Augmented Recurrent Neural Network for Learning World Models in Autonomous Driving Tasks [11.489187712465325]
  本稿では、フロントカメラ画像のみを用いて、交通流の潜在表現を学習するために、Kalmanフィルタの強化されたリカレントニューラルネットワークアーキテクチャを提案する。 その結果,車両の明示的なモデル(カルマンフィルタを用いて推定した状態)をエンドツーエンド学習に組み込むことで,性能が著しく向上した。
  論文  参考訳（メタデータ） (2023-05-24T02:27:34Z)
• Car-Following Models: A Multidisciplinary Review [35.57095196826516]
  自動車追従モデルには、交通工学、物理学、動的システム制御、認知科学、機械学習、強化学習など、様々な分野が含まれる。 それは、理論に基づくキネマティックモデル、心理物理モデル、適応クルーズ制御モデルから強化学習(RL)や模倣学習(IL)のようなデータ駆動アルゴリズムまで、代表的アルゴリズムをレビューする。
  論文  参考訳（メタデータ） (2023-04-14T14:06:33Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)

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。