論文の概要: BayesRace: Learning to race autonomously using prior experience
- arxiv url: http://arxiv.org/abs/2005.04755v2
- Date: Sun, 15 Nov 2020 22:32:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 02:18:10.280800
- Title: BayesRace: Learning to race autonomously using prior experience
- Title(参考訳): BayesRace: 事前の経験から自律的なレースを学ぶ
- Authors: Achin Jain, Matthew O'Kelly, Pratik Chaudhari, Manfred Morari
- Abstract要約: 本稿では,自律走行のためのモデルベース計画制御フレームワークを提案する。
本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
- 参考スコア(独自算出の注目度): 20.64931380046805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous race cars require perception, estimation, planning, and control
modules which work together asynchronously while driving at the limit of a
vehicle's handling capability. A fundamental challenge encountered in designing
these software components lies in predicting the vehicle's future state (e.g.
position, orientation, and speed) with high accuracy. The root cause is the
difficulty in identifying vehicle model parameters that capture the effects of
lateral tire slip. We present a model-based planning and control framework for
autonomous racing that significantly reduces the effort required in system
identification and control design. Our approach alleviates the gap induced by
simulation-based controller design by learning from on-board sensor
measurements. A major focus of this work is empirical, thus, we demonstrate our
contributions by experiments on validated 1:43 and 1:10 scale autonomous racing
simulations.
- Abstract(参考訳): 自律レースカーには知覚、推定、計画、制御モジュールが必要であり、これは車両のハンドリング能力の限界で運転しながら非同期に動作する。
これらのソフトウェアコンポーネントを設計する際の根本的な課題は、車両の将来の状態(例えば、位置、方向、速度)を高い精度で予測することである。
根本原因は、横タイヤスリップの効果を捉える車両モデルパラメータを特定するのが困難である。
本稿では,システム同定と制御設計に要する労力を大幅に削減する自律走行のためのモデルベース計画制御フレームワークを提案する。
本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
この研究の主な焦点は経験的であり、検証された1:43と1:10スケールの自律レースシミュレーションの実験による貢献を実証する。
関連論文リスト
- DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳(メタデータ) (2024-01-08T03:06:02Z) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳(メタデータ) (2023-12-22T16:29:55Z) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳(メタデータ) (2023-12-11T13:27:51Z) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2023-05-01T06:09:49Z) - 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) - 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) - Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement
Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。
我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2021-07-18T00:00:48Z) - Autonomous Driving Implementation in an Experimental Environment [0.0]
自律運転システムでは、車線追跡と同様に障害物や信号機の検出が重要である。
本研究では,この目的のために設計された実験環境において,自律走行システムを開発した。
障害物を避けるために、コーナー検出、光流、拡大の焦点、衝突までの時間、バランス計算、決定機構が作成された。
論文 参考訳(メタデータ) (2021-05-23T11:14:09Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳(メタデータ) (2020-10-23T18:07:48Z) - 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。