論文の概要: DeepRacing: Parameterized Trajectories for Autonomous Racing
- arxiv url: http://arxiv.org/abs/2005.05178v1
- Date: Wed, 6 May 2020 21:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 04:48:12.107783
- Title: DeepRacing: Parameterized Trajectories for Autonomous Racing
- Title（参考訳）: DeepRacing: 自律走行のためのパラメータ化された軌道
- Authors: Trent Weiss, Madhur Behl
- Abstract要約: 現実的なF1環境での高速自律レースの課題を考察する。
DeepRacingは、新しいエンドツーエンドフレームワークであり、自律レースのためのアルゴリズムのトレーニングと評価のための仮想テストベッドである。
この仮想テストベッドは、スタンドアロンのC++ APIと人気のあるRobot Operating System 2 (ROS2)フレームワークへのバインディングの両方として、オープンソースライセンスでリリースされている。
- 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: We consider the challenging problem of high speed autonomous racing in a
realistic Formula One environment. DeepRacing is a novel end-to-end framework,
and a virtual testbed for training and evaluating algorithms for autonomous
racing. The virtual testbed is implemented using the realistic F1 series of
video games, developed by Codemasters, which many Formula One drivers use for
training. This virtual testbed is released under an open-source license both as
a standalone C++ API and as a binding to the popular Robot Operating System 2
(ROS2) framework. This open-source API allows anyone to use the high fidelity
physics and photo-realistic capabilities of the F1 game as a simulator, and
without hacking any game engine code. We use this framework to evaluate several
neural network methodologies for autonomous racing. Specifically, we consider
several fully end-to-end models that directly predict steering and acceleration
commands for an autonomous race car as well as a model that predicts a list of
waypoints to follow in the car's local coordinate system, with the task of
selecting a steering/throttle angle left to a classical control algorithm. We
also present a novel method of autonomous racing by training a deep neural
network to predict a parameterized representation of a trajectory rather than a
list of waypoints. We evaluate these models performance in our open-source
simulator and show that trajectory prediction far outperforms end-to-end
driving. Additionally, we show that open-loop performance for an end-to-end
model, i.e. root-mean-square error for a model's predicted control values, does
not necessarily correlate with increased driving performance in the closed-loop
sense, i.e. actual ability to race around a track. Finally, we show that our
proposed model of parameterized trajectory prediction outperforms both
end-to-end control and waypoint prediction.
- Abstract（参考訳）: 現実的なF1環境での高速自律レースの課題を考察する。
DeepRacingは、新しいエンドツーエンドフレームワークであり、自律レースのためのアルゴリズムのトレーニングと評価のための仮想テストベッドである。
仮想テストベッドは、多くのフォーミュラ1ドライバーがトレーニングに使用する、Codemastersが開発した現実的なF1シリーズのビデオゲームを使って実装されている。
この仮想テストベッドは、スタンドアロンのc++ apiと人気のあるrobot operating system 2(ros2)フレームワークのバインディングとして、オープンソースライセンスでリリースされている。
このオープンソースapiにより、誰でもゲームエンジンコードをハックすることなく、f1ゲームの高忠実性物理とフォトリアリスティック機能をシミュレータとして使用できる。
このフレームワークを用いて、自律レースのためのいくつかのニューラルネットワーク手法を評価する。
具体的には、自動レースカーのステアリング・アクセラレーションコマンドを直接予測する完全エンドツーエンドモデルと、従来の制御アルゴリズムに残されるステアリング・スロットル角を選択するタスクを含む、車両の局所座標系で追従するウェイポイントのリストを予測するモデルについて検討する。
また、ディープニューラルネットワークをトレーニングし、ウェイポイントのリストではなく軌跡のパラメータ化表現を予測することによって、自律レースの新しい手法を提案する。
我々はこれらのモデルの性能をオープンソースシミュレータで評価し、軌道予測がエンドツーエンドの運転よりも優れていることを示す。
さらに、モデルが予測する制御値のルート平均二乗誤差であるエンドツーエンドモデルのオープンループ性能は、クローズドループの意味での駆動性能の増加、すなわちトラックを走行する実際の能力と必ずしも相関しないことを示した。
最後に,提案するパラメータ化軌道予測モデルがエンド・ツー・エンド制御とウェイポイント予測を上回っていることを示す。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data [12.804541200469536]
本稿では,自動走行アルゴリズムの試験,検証,ベンチマークを行うためのシミュレータAssetto Corsaに基づくレースシミュレーションプラットフォームを提案する。
私たちのコントリビューションには、このシミュレーションプラットフォームの開発、レース環境に適した最先端のアルゴリズムのいくつか、人間ドライバーから収集された包括的なデータセットなどが含まれています。
論文 参考訳（メタデータ） (2024-07-23T17:45:16Z) - End-To-End Training and Testing Gamification Framework to Learn Human Highway Driving [3.234017706225293]
本稿では,自律走行自動車のためのゲームベースのエンドツーエンド学習およびテストフレームワークを提案する。
人気ゲーム「グランドセフト・オートV」を使って高速道路の運転データを収集する。
エンド・ツー・エンドのアーキテクチャは、ゲーム画面の画像により車両を制御する操舵およびスロットル値を予測する。
論文 参考訳（メタデータ） (2024-04-16T18:51:58Z) - FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳（メタデータ） (2023-04-19T17:33:47Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Race Driver Evaluation at a Driving Simulator using a physical Model and
a Machine Learning Approach [1.9395755884693817]
本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。
ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。
ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
論文 参考訳（メタデータ） (2022-01-27T07:32:32Z) - 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) - 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) - Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap
Time Simulation Using Machine Learning [0.0]
本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインの正確な予測を生成するための機械学習アプローチについて述べる。
ネットワークは、平均絶対誤差 +/-0.27m でレースラインを予測することができる。
論文 参考訳（メタデータ） (2021-02-03T22:34:22Z) - 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。