論文の概要: A machine learning environment for evaluating autonomous driving software

• arxiv url: http://arxiv.org/abs/2003.03576v1
• Date: Sat, 7 Mar 2020 13:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:30:31.214319
• Title: A machine learning environment for evaluating autonomous driving software
• Title（参考訳）: 自動運転ソフトウェア評価のための機械学習環境
• Authors: Jussi Hanhirova, Anton Debner, Matias Hyypp\"a, Vesa Hirvisalo
• Abstract要約: 自動運転車のコーナーケース動作を検出するための機械学習環境を提案する。 我々の環境は、CARLAシミュレーションソフトウェアを機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。 我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。
• 参考スコア（独自算出の注目度）: 1.6516902135723865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles need safe development and testing environments. Many traffic scenarios are such that they cannot be tested in the real world. We see hybrid photorealistic simulation as a viable tool for developing AI (artificial intelligence) software for autonomous driving. We present a machine learning environment for detecting autonomous vehicle corner case behavior. Our environment is based on connecting the CARLA simulation software to TensorFlow machine learning framework and custom AI client software. The AI client software receives data from a simulated world via virtual sensors and transforms the data into information using machine learning models. The AI clients control vehicles in the simulated world. Our environment monitors the state assumed by the vehicle AIs to the ground truth state derived from the simulation model. Our system can search for corner cases where the vehicle AI is unable to correctly understand the situation. In our paper, we present the overall hybrid simulator architecture and compare different configurations. We present performance measurements from real setups, and outline the main parameters affecting the hybrid simulator performance.
• Abstract（参考訳）: 自動運転車は安全な開発とテスト環境を必要とする。 多くのトラフィックシナリオは、現実世界ではテストできないようなものです。 ハイブリッドフォトリアリスティックシミュレーションは、自動運転のためのAI(人工知能)ソフトウェアを開発するための実行可能なツールだと考えています。 自動運転車のコーナーケース動作を検出する機械学習環境を提案する。 我々の環境は、CARLAシミュレーションソフトウェアをTensorFlow機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。 AIクライアントソフトウェアは、仮想センサを介してシミュレーションされた世界からデータを受信し、機械学習モデルを使用してデータを情報に変換する。 AIクライアントは、シミュレーションされた世界の車両を制御します。 我々の環境は、車載AIが仮定した状態をシミュレーションモデルから得られた真実の状態に監視する。 我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。 本稿では,ハイブリッドシミュレータのアーキテクチャを概説し,異なる構成を比較した。 本稿では,実機の性能測定を行い,ハイブリッドシミュレータの性能に影響を及ぼす主なパラメータについて概説する。

関連論文リスト

• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Autonomous Driving Simulator based on Neurorobotics Platform [11.25880077022107]
  自動運転車には人工知能アルゴリズムがたくさんあるが、これらのアルゴリズムを直接車両にインストールするのは非現実的で高価だ。 同時に、これらのアルゴリズムの多くは、トレーニングと最適化のための環境を必要としています。 このレポートは、Neurorobotics Platformに関する小さな研究から始まり、真の現実世界のシミュレーション目標を達成するための新しいシミュレータの開発の可能性と可能性を分析する。
  論文  参考訳（メタデータ） (2022-12-31T01:12:27Z)
• Discrete Control in Real-World Driving Environments using Deep Reinforcement Learning [2.467408627377504]
  本研究では,現実の環境をゲーム環境に移行させる,現実の運転環境におけるフレームワーク(知覚,計画,制御)を紹介する。 実環境における離散制御を学習し,実行するために,既存の強化学習(RL)アルゴリズムを多エージェント設定で提案する。
  論文  参考訳（メタデータ） (2022-11-29T04:24:03Z)
• Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
  我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。 これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。 これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
  論文  参考訳（メタデータ） (2022-10-25T17:50:36Z)
• Data generation using simulation technology to improve perception mechanism of autonomous vehicles [0.0]
  実世界から収集したデータと模擬世界から生成されたデータを組み合わせることで、認識システムを訓練する効果を実証する。 また,人間の学習体験をエミュレートすることを目的とした多段階深層学習知覚フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-01T03:42:33Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

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。