論文の概要: AirSim Drone Racing Lab
- arxiv url: http://arxiv.org/abs/2003.05654v1
- Date: Thu, 12 Mar 2020 08:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:35:28.244153
- Title: AirSim Drone Racing Lab
- Title（参考訳）: airsimドローンレースラボ
- Authors: Ratnesh Madaan, Nicholas Gyde, Sai Vemprala, Matthew Brown, Keiko
Nagami, Tim Taubner, Eric Cristofalo, Davide Scaramuzza, Mac Schwager, Ashish
Kapoor
- Abstract要約: AirSim Drone Racing Labは、この領域で機械学習研究を可能にするシミュレーションフレームワークである。
本フレームワークは,複数の写真リアル環境下でのレーストラック生成を可能にする。
当社のフレームワークを使用して,NeurIPS 2019で,シミュレーションベースのドローンレースコンペティションを開催しました。
- 参考スコア（独自算出の注目度）: 56.68291351736057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous drone racing is a challenging research problem at the intersection
of computer vision, planning, state estimation, and control. We introduce
AirSim Drone Racing Lab, a simulation framework for enabling fast prototyping
of algorithms for autonomy and enabling machine learning research in this
domain, with the goal of reducing the time, money, and risks associated with
field robotics. Our framework enables generation of racing tracks in multiple
photo-realistic environments, orchestration of drone races, comes with a suite
of gate assets, allows for multiple sensor modalities (monocular, depth,
neuromorphic events, optical flow), different camera models, and benchmarking
of planning, control, computer vision, and learning-based algorithms. We used
our framework to host a simulation based drone racing competition at NeurIPS
2019. The competition binaries are available at our github repository.
- Abstract（参考訳）: 自律型ドローンレースは、コンピュータビジョン、計画、状態推定、制御の交差点における困難な研究課題である。
自律性のためのアルゴリズムの高速プロトタイピングと、この分野における機械学習研究の実現を可能にするシミュレーションフレームワークであるAirSim Drone Racing Labを導入し、フィールドロボティクスに関連する時間、お金、リスクを削減することを目的としている。
私たちのフレームワークは、複数のフォトリアリスティック環境におけるレーストラックの生成、ドローンレースのオーケストレーション、複数のゲートアセット、複数のセンサーモダリティ(モノクロ、深度、ニューロモルフィックイベント、オプティカルフロー)、異なるカメラモデル、計画、制御、コンピュータビジョン、学習ベースのアルゴリズムのベンチマークを可能にする。
当社のフレームワークを使用して,NeurIPS 2019で,シミュレーションベースのドローンレースコンテストを開催しました。
競合バイナリはgithubリポジトリから入手可能です。
関連論文リスト
- GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes
and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。
シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。
シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文 参考訳（メタデータ） (2024-01-28T23:26:15Z) - Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone
Racing [52.50284630866713]
既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。
本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
論文 参考訳（メタデータ） (2022-10-26T19:03:17Z) - A Deep Reinforcement Learning Strategy for UAV Autonomous Landing on a
Platform [0.0]
物理シミュレーションプラットフォーム(ROS-RL)の一種であるGazeboに基づく強化学習フレームワークを提案する。
我々は,自律着陸問題に対処するために,3つの連続行動空間強化学習アルゴリズムをフレームワークに使用した。
論文 参考訳（メタデータ） (2022-09-07T06:33:57Z) - A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free
Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。
機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文 参考訳（メタデータ） (2022-08-16T17:37:36Z) - Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。
インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。
これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
論文 参考訳（メタデータ） (2022-02-08T11:55:05Z) - 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) - Learn-to-Race: A Multimodal Control Environment for Autonomous Racing [23.798765519590734]
模擬フォーミュラ-Eスタイルのレースにおいて、L2R(Learn-to-Race)が活躍する新しい環境を紹介します。
シミュレーターと対面トレーニングフレームワークを含む我々の環境は、車両のダイナミックスとレース条件を正確にモデル化する。
次に,学習からドライブへの挑戦,フォーミュラeレース,および自動運転のためのマルチモーダル軌道予測に着想を得たl2rタスクを提案する。
論文 参考訳（メタデータ） (2021-03-22T04:03:06Z) - NeBula: Quest for Robotic Autonomy in Challenging Environments; TEAM
CoSTAR at the DARPA Subterranean Challenge [105.27989489105865]
本稿では,TEAM CoSTARが開発したアルゴリズム,ハードウェア,ソフトウェアアーキテクチャについて述べる。
NeBula (Networked Belief-Aware Perceptual Autonomy) と呼ばれる当社の自律的ソリューションを紹介します。
論文 参考訳（メタデータ） (2021-03-21T19:42:26Z) - Long-Term Planning with Deep Reinforcement Learning on Autonomous Drones [0.0]
本研究では,実生活におけるドローンレース競技をベースとした長期計画シナリオについて検討する。
この実験は、NeurIPS 2019で"Game of Drones: Drone Racing Competition"のために作成されたフレームワーク上で実施された。
論文 参考訳（メタデータ） (2020-07-11T06:16:50Z)
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。