Fugu-MT 論文翻訳(概要): Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study

論文の概要: Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study

arxiv url: http://arxiv.org/abs/2007.08343v1
Date: Thu, 16 Jul 2020 14:09:20 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 22:05:05.083223
Title: Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study
Title（参考訳）: 自律走行車における道路決定のためのディープQネットワークの一事例
Authors: Teng Liu, Xingyu Mu, Xiaolin Tang, Bing Huang, Hong Wang, Dongpu Cao
Abstract要約: 本研究は、深部強化学習(DRL)を用いた自動運転車の高速道路意思決定戦略を最適化するものである。最適制御問題として、自動車両のオーバーテイク決定問題を定式化する。シミュレーションの結果,エゴ車両は学習および訓練後の運転課題を安全かつ効率的に達成できることが判明した。
参考スコア（独自算出の注目度）: 9.602219035367066
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work optimizes the highway decision making strategy of autonomous vehicles by using deep reinforcement learning (DRL). First, the highway driving environment is built, wherein the ego vehicle, surrounding vehicles, and road lanes are included. Then, the overtaking decision-making problem of the automated vehicle is formulated as an optimal control problem. Then relevant control actions, state variables, and optimization objectives are elaborated. Finally, the deep Q-network is applied to derive the intelligent driving policies for the ego vehicle. Simulation results reveal that the ego vehicle could safely and efficiently accomplish the driving task after learning and training.
Abstract（参考訳）: 本研究は、深部強化学習(DRL)を用いて、自動運転車の高速道路意思決定戦略を最適化する。まず高速道路の走行環境が整備され、エゴ車、周辺車両、道路車線が組み込まれている。そして、最適制御問題として、自動車両のオーバーテイク決定問題を定式化する。次に、関連する制御アクション、状態変数、および最適化の目的を詳述する。最後に、ディープQネットワークを用いて、エゴ車両のインテリジェントな駆動ポリシーを導出する。シミュレーションの結果,エゴ車両は学習および訓練後の運転課題を安全かつ効率的に達成できることがわかった。

関連論文リスト

Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
論文参考訳（メタデータ） (2023-06-20T11:41:01Z)
Deep Q-Network Based Decision Making for Autonomous Driving [1.0152838128195467]
本稿では,Q-Networksと制御理論からの洞察を組み合わせることで,高速道路のシナリオで自動運転車を安全にナビゲートする方法を提案する。ディープQネットワークは、軌道プランナーの目標を提案することにより、中心的な意思決定ユニットとして機能するようにシミュレーションで訓練される。経年移動のための制御装置と組み合わせて生成された軌道を用いて車線変更操作を行う。
論文参考訳（メタデータ） (2023-03-21T07:01:22Z)
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)
An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文参考訳（メタデータ） (2021-12-31T04:54:13Z)
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)
Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles [6.578495322360851]
本稿では,区間間環境における運転タスクを変換するための伝達深度強化学習フレームワークを構築した。自走自走車(AEV)の目標は、交差点の状況を効率的かつ安全に通り抜けることである。同様のタスクに関連する意思決定戦略は、転送可能である。
論文参考訳（メタデータ） (2020-09-07T17:34:01Z)
Decision-making for Autonomous Vehicles on Highway: Deep Reinforcement Learning with Continuous Action Horizon [14.059728921828938]
本稿では,高速道路における連続水平決定問題に対処するために,深部強化学習(DRL)手法を用いる。エゴ自動車両の走行目標は、衝突することなく効率的でスムーズなポリシーを実行することである。 PPO-DRLに基づく意思決定戦略は、最適性、学習効率、適応性など、複数の観点から推定される。
論文参考訳（メタデータ） (2020-08-26T22:49:27Z)
Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning [6.298084785377199]
高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。 DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
論文参考訳（メタデータ） (2020-07-16T23:41:48Z)
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。