論文の概要: Decision-making at Unsignalized Intersection for Autonomous Vehicles: Left-turn Maneuver with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2008.06595v2
• Date: Sat, 13 Nov 2021 03:30:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 16:46:09.475624
• Title: Decision-making at Unsignalized Intersection for Autonomous Vehicles: Left-turn Maneuver with Deep Reinforcement Learning
• Title（参考訳）: 無人車両の無署名区間における意思決定--深部強化学習による左旋回マニキュア
• Authors: Teng Liu, Xingyu Mu, Bing Huang, Xiaolin Tang, Fuqing Zhao, Xiao Wang, Dongpu Cao
• Abstract要約: 本研究は、自動運転車の信号なし交差点における深層強化学習に基づく左旋回意思決定フレームワークを提案する。 提案した意思決定戦略は、衝突率を効果的に低減し、輸送効率を向上させることができる。 この研究は、構築された左旋回制御構造がリアルタイムに適用可能な大きな可能性を持っていることも明らかにした。
• 参考スコア（独自算出の注目度）: 17.715274169051494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision-making module enables autonomous vehicles to reach appropriate maneuvers in the complex urban environments, especially the intersection situations. This work proposes a deep reinforcement learning (DRL) based left-turn decision-making framework at unsignalized intersection for autonomous vehicles. The objective of the studied automated vehicle is to make an efficient and safe left-turn maneuver at a four-way unsignalized intersection. The exploited DRL methods include deep Q-learning (DQL) and double DQL. Simulation results indicate that the presented decision-making strategy could efficaciously reduce the collision rate and improve transport efficiency. This work also reveals that the constructed left-turn control structure has a great potential to be applied in real-time.
• Abstract（参考訳）: 意思決定モジュールは、自動運転車が複雑な都市環境、特に交差点環境で適切な操作に到達できるようにする。 本研究は、自動運転車の無署名交差点における左折意思決定フレームワークであるdrl(deep reinforcement learning)を提案する。 本研究の目的は、4方向の無人交差点で効率よく安全な左旋回操作を行うことである。 悪用されたDRLメソッドには、ディープラーニング(DQL)とダブルDQLが含まれる。 シミュレーションの結果,提案する意思決定戦略は,衝突率を効果的に低減し,輸送効率を向上させる可能性が示唆された。 この研究はまた、構築された左折制御構造がリアルタイムに適用できる大きな可能性を明らかにした。

関連論文リスト

• SPformer: A Transformer Based DRL Decision Making Method for Connected Automated Vehicles [9.840325772591024]
  本稿ではトランスフォーマーと強化学習アルゴリズムに基づくCAV意思決定アーキテクチャを提案する。 学習可能なポリシートークンは、多車連携ポリシーの学習媒体として使用される。 我々のモデルは交通シナリオにおける車両の全ての状態情報をうまく活用することができる。
  論文  参考訳（メタデータ） (2024-09-23T15:16:35Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Prediction Based Decision Making for Autonomous Highway Driving [3.6818636539023175]
  本稿では,予測に基づく深層強化学習(Deep Reinforcement Learning, PDRL)意思決定モデルを提案する。 高速道路運転の意思決定プロセスにおいて、周囲の車両の操作意図を考慮に入れている。 その結果,提案したPDRLモデルでは,衝突数を減少させることで,Deep Reinforcement Learning (DRL)モデルと比較して意思決定性能が向上することがわかった。
  論文  参考訳（メタデータ） (2022-09-05T19:28:30Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• 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)
• Intelligent Autonomous Intersection Management [1.3534683694551497]
  本稿では、強化学習に基づくマルチエージェントアーキテクチャと、マルチディスカウントQ-ラーニングを用いた新しいRLアルゴリズムを提案する。 実験結果から, RLをベースとしたマルチエージェント・ソリューションは, ほぼ最適性能を効率よく達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-09T01:45:12Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• 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)
• 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。

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。