論文の概要: Learning a Directional Soft Lane Affordance Model for Road Scenes Using Self-Supervision

• arxiv url: http://arxiv.org/abs/2002.11477v2
• Date: Wed, 15 Apr 2020 13:19:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 11:49:36.478299
• Title: Learning a Directional Soft Lane Affordance Model for Road Scenes Using Self-Supervision
• Title（参考訳）: 自己スーパービジョンを用いた道路シーンの方向性ソフトレーン予測モデル学習
• Authors: Robin Karlsson, Erik Sjoberg
• Abstract要約: 人間は複雑な環境を組織的かつ柔軟な方法でナビゲートし、文脈や暗黙の社会ルールに適応する。 本研究は,人間が運転する可能性が最も高い地域を推定するために,確率論的ネットワークモデルを訓練するための新しい自己教師手法を提案する。 モデルは新たな道路シーンへの一般化に成功し、現実世界の応用の可能性を示すことが示されている。
• 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: Humans navigate complex environments in an organized yet flexible manner, adapting to the context and implicit social rules. Understanding these naturally learned patterns of behavior is essential for applications such as autonomous vehicles. However, algorithmically defining these implicit rules of human behavior remains difficult. This work proposes a novel self-supervised method for training a probabilistic network model to estimate the regions humans are most likely to drive in as well as a multimodal representation of the inferred direction of travel at each point. The model is trained on individual human trajectories conditioned on a representation of the driving environment. The model is shown to successfully generalize to new road scenes, demonstrating potential for real-world application as a prior for socially acceptable driving behavior in challenging or ambiguous scenarios which are poorly handled by explicit traffic rules.
• Abstract（参考訳）: 人間は複雑な環境を組織的かつ柔軟な方法でナビゲートし、文脈や暗黙の社会ルールに適応する。 これらの自然に学習された行動パターンを理解することは、自動運転車のような応用に不可欠である。 しかし、人間の行動の暗黙の規則をアルゴリズムで定義することは依然として困難である。 そこで本研究では, 確率的ネットワークモデルを学習し, 移動方向推定のマルチモーダル表現だけでなく, 運転する可能性が最も高い地域を推定する新しい自己教師あり手法を提案する。 モデルは、運転環境の表現に基づいて、個々の人間の軌跡に基づいて訓練される。 このモデルは、新しい道路シーンへの一般化に成功し、明示的な交通規則によって不十分に扱われる困難または曖昧なシナリオにおいて、社会的に許容される運転行動の先駆けとして現実世界の応用の可能性を示す。

関連論文リスト

• Resolving uncertainty on the fly: Modeling adaptive driving behavior as active inference [6.935068505791817]
  適応運転行動の既存の交通心理学モデルは、計算厳密さを欠いているか、特定のシナリオや行動現象にのみ対応していない。 本稿では,脳神経科学を起源とする行動モデルである,能動推論に基づくモデルを提案する。 予測自由エネルギー最小化の単一原理から人間のような適応運転行動が生じることを示す。
  論文  参考訳（メタデータ） (2023-11-10T22:40:41Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
  本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。 我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-02-10T16:46:24Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Calibration of Human Driving Behavior and Preference Using Naturalistic Traffic Data [5.926030548326619]
  自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。 我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
  論文  参考訳（メタデータ） (2021-05-05T01:20:03Z)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Generalizing Decision Making for Automated Driving with an Invariant Environment Representation using Deep Reinforcement Learning [55.41644538483948]
  現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。 本研究では,エゴ車の観点から不変環境表現を提案する。 この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
  論文  参考訳（メタデータ） (2021-02-12T20:37:29Z)
• Behavioral decision-making for urban autonomous driving in the presence of pedestrians using Deep Recurrent Q-Network [0.0]
  都市環境における自動運転の意思決定は,道路構造の複雑化と多様な道路利用者の行動の不確実性により困難である。 本研究では,歩行者の存在下での都市環境における高レベル運転行動に対する深層強化学習に基づく意思決定手法を提案する。 提案手法は都市密集シナリオに対して評価し,ルールベース手法と比較し,DRQNに基づく運転行動決定器がルールベース手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-26T08:08:06Z)
• Goal-Directed Occupancy Prediction for Lane-Following Actors [5.469556349325342]
  共有道路を走行する車両の将来の行動を予測することは、安全な自動運転にとって重要な課題である。 本稿では,地図化された道路トポロジを利用して,可能な目標を推論し,ダイナミックな道路アクターの空間的占有度を予測する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-06T20:44:59Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。