論文の概要: Autonomous Braking and Throttle System: A Deep Reinforcement Learning Approach for Naturalistic Driving

• arxiv url: http://arxiv.org/abs/2008.06696v1
• Date: Sat, 15 Aug 2020 10:37:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 20:54:42.683434
• Title: Autonomous Braking and Throttle System: A Deep Reinforcement Learning Approach for Naturalistic Driving
• Title（参考訳）: 自律ブレーキとスロットルシステム:自然主義運転のための深層強化学習アプローチ
• Authors: Varshit S. Dubey, Ruhshad Kasad and Karan Agrawal
• Abstract要約: 深層強化学習に基づく自律スロットル・ブレーキシステムについて紹介する。 実験により、システムは衝突を避けるだけでなく、緊急時にスロットル/ブレーキ値にスムーズな変化が生じることを保証する。
• 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: Autonomous Braking and Throttle control is key in developing safe driving systems for the future. There exists a need for autonomous vehicles to negotiate a multi-agent environment while ensuring safety and comfort. A Deep Reinforcement Learning based autonomous throttle and braking system is presented. For each time step, the proposed system makes a decision to apply the brake or throttle. The throttle and brake are modelled as continuous action space values. We demonstrate 2 scenarios where there is a need for a sophisticated braking and throttle system, i.e when there is a static obstacle in front of our agent like a car, stop sign. The second scenario consists of 2 vehicles approaching an intersection. The policies for brake and throttle control are learned through computer simulation using Deep deterministic policy gradients. The experiment shows that the system not only avoids a collision, but also it ensures that there is smooth change in the values of throttle/brake as it gets out of the emergency situation and abides by the speed regulations, i.e the system resembles human driving.
• Abstract（参考訳）: 自律ブレーキとスロットル制御は、将来安全な運転システムを開発する上で鍵となる。 自動運転車は安全と快適性を確保しつつ、マルチエージェント環境を交渉する必要がある。 深層強化学習に基づく自律スロットルブレーキシステムについて述べる。 提案システムでは,各タイムステップ毎にブレーキやスロットルの適用を決定した。 スロットルとブレーキは連続した作用空間値としてモデル化される。 我々は、洗練されたブレーキとスロットルシステムの必要性、すなわち、車のようなエージェントの前に静的な障害物がある場合、停止標識がある2つのシナリオを実証する。 第2のシナリオは、2台の車両が交差点に近づいている。 ブレーキとスロットル制御のポリシーは、Deep Deterministic Policy gradientsを用いたコンピュータシミュレーションによって学習される。 この実験は、システムが衝突を避けるだけでなく、緊急時にスロットル/ブレーキの値がスムーズに変化し、速度規制、すなわちシステムが人間の運転に類似していることを示す。

関連論文リスト

• A Systematic Study of Multi-Agent Deep Reinforcement Learning for Safe and Robust Autonomous Highway Ramp Entry [0.0]
  本研究では,車体前方移動動作を制御するハイウェイランプ機能について検討し,車体が進入する高速道路交通の流れとの衝突を最小限に抑える。 我々はこの問題に対してゲーム理論的マルチエージェント(MA)アプローチを採用し、深層強化学習(DRL)に基づくコントローラの利用について検討する。 本稿では,2台以上の車両(エージェント)の相互作用を研究することで既存の作業を拡張し,交通量やエゴカーを付加して道路シーンを体系的に拡張する。
  論文  参考訳（メタデータ） (2024-11-21T21:23:46Z)
• SECRM-2D: RL-Based Efficient and Comfortable Route-Following Autonomous Driving with Analytic Safety Guarantees [5.156059061769101]
  SECRM-2Dは、効率と快適性の最適化と固定経路に従うRL自律運転制御装置である。 シミュレーションテストシナリオにおいて,SECRM-2Dをいくつかの学習ベースラインおよび非学習ベースラインに対して評価する。
  論文  参考訳（メタデータ） (2024-07-23T21:54:39Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts [3.2230833657560503]
  我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。 推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。 都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
  論文  参考訳（メタデータ） (2022-11-03T20:16:24Z)
• 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)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• 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)
• Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving [1.995792341399967]
  マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。 提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
  論文  参考訳（メタデータ） (2021-05-13T19:17:30Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• Interpretable Safety Validation for Autonomous Vehicles [44.44006029119672]
  この研究は、自律システムの解釈可能な障害を見つけるためのアプローチを説明する。 これらの失敗は、人間によって理解できる信号時相論理式によって記述される。
  論文  参考訳（メタデータ） (2020-04-14T21:11:43Z)
• 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。