論文の概要: Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2002.00497v2
• Date: Fri, 22 May 2020 14:46:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 19:55:11.119600
• Title: Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search
• Title（参考訳）: 学習ヒューリスティックスとモンテカルロ木探索を用いた自動走行車の協調計画の高速化
• Authors: Karl Kurzer, Marcus Fechner and J. Marius Z\"ollner
• Abstract要約: 明示的なコミュニケーションを必要とせず,効果的な協調計画の実現が可能であることを示す。 計画プロセスの高速化を目的として,学習を協調的計画手法と組み合わせて,将来性のある行動で地域探索を指導した。
• 参考スコア（独自算出の注目度）: 2.658812114255374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient driving in urban traffic scenarios requires foresight. The observation of other traffic participants and the inference of their possible next actions depending on the own action is considered cooperative prediction and planning. Humans are well equipped with the capability to predict the actions of multiple interacting traffic participants and plan accordingly, without the need to directly communicate with others. Prior work has shown that it is possible to achieve effective cooperative planning without the need for explicit communication. However, the search space for cooperative plans is so large that most of the computational budget is spent on exploring the search space in unpromising regions that are far away from the solution. To accelerate the planning process, we combined learned heuristics with a cooperative planning method to guide the search towards regions with promising actions, yielding better solutions at lower computational costs.
• Abstract（参考訳）: 都市交通シナリオにおける効率的な運転には予見が必要である。 他の交通参加者の観察と、その行動による次の行動の推測は、協調的な予測と計画であると考えられる。 人間は、複数の相互作用する交通参加者の行動を予測し、それに応じて計画する能力を備えており、他人と直接通信する必要がない。 先行研究は、明示的なコミュニケーションを必要とせずに効果的な協調計画が達成可能であることを示した。 しかし,協調計画のための探索空間が大きすぎて,計算予算の大部分は,解から遠く離れた未予測領域における探索空間の探索に費やされている。 計画プロセスを加速するために,学習ヒューリスティックスと協調計画法を組み合わせることで,有望な行動を伴う地域への探索を誘導し,より低い計算コストでより良い解を得る。

関連論文リスト

• CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
  CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。 3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
  論文  参考訳（メタデータ） (2024-11-07T13:08:04Z)
• Communication- and Computation-Efficient Distributed Decision-Making in Multi-Robot Networks [2.8936428431504164]
  複数のロボット間のスケーラブルでほぼ最適な関節運動計画を可能にする分散協調パラダイムを提供する。 我々のアルゴリズムは、競合する準最適アルゴリズムよりも2桁高速である。 最大45台のロボットによる監視タスクのシミュレーションでは、1Hzのオーダーでリアルタイム計画が可能で、カバー性能も優れている。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Potential Based Diffusion Motion Planning [73.593988351275]
  本稿では,潜在的行動計画の学習に向けた新しいアプローチを提案する。 我々はニューラルネットワークを訓練し、運動計画軌跡よりも容易に最適化可能なポテンシャルを捕捉し、学習する。 我々は、その固有の構成可能性を示し、様々な動きの制約に一般化することができる。
  論文  参考訳（メタデータ） (2024-07-08T17:48:39Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• Achieving mouse-level strategic evasion performance using real-time computational planning [59.60094442546867]
  計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。 我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。 TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
  論文  参考訳（メタデータ） (2022-11-04T18:34:36Z)
• Learning to Help Emergency Vehicles Arrive Faster: A Cooperative Vehicle-Road Scheduling Approach [24.505687255063986]
  車両中心のスケジューリングアプローチは、緊急車両の最適経路を推奨する。 道路中心のスケジューリングアプローチは、交通状況を改善し、EVが交差点を通過するための優先度を高めることを目的としている。 本稿では,リアルタイム経路計画モジュールと協調交通信号制御モジュールを含む協調型VehIcle-roaDスケジューリング手法であるLEVIDを提案する。
  論文  参考訳（メタデータ） (2022-02-20T10:25:15Z)
• Learning off-road maneuver plans for autonomous vehicles [0.0]
  この論文では、オフロード環境での自動運転車のオンライン計画とスケジューリングに機械学習アルゴリズムがもたらすメリットを探求する。 異なる計画立案者を支援するための学習ベースを提示する。 同期操作を実行するための戦略を合成するために,新しいタイプのスケジューリング制御性と学習支援アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:59Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• 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)
• A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment [3.867363075280544]
  本稿では、勾配に基づく自己教師付き学習アルゴリズムを用いて、実現可能な経路を予測する、新しいニューラルネットワークによる経路計画手法を提案する。 このアプローチは過去に得られた経験を強く活用し、操舵角度が制限された車のような車両の実行可能な操縦計画を迅速に得る。
  論文  参考訳（メタデータ） (2020-03-02T14:48:29Z)

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。