Fugu-MT 論文翻訳(概要): Learning Personalized Discretionary Lane-Change Initiation for Fully Autonomous Driving Based on Reinforcement Learning

論文の概要: Learning Personalized Discretionary Lane-Change Initiation for Fully Autonomous Driving Based on Reinforcement Learning

arxiv url: http://arxiv.org/abs/2010.15372v1
Date: Thu, 29 Oct 2020 06:21:23 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 22:37:18.911667
Title: Learning Personalized Discretionary Lane-Change Initiation for Fully Autonomous Driving Based on Reinforcement Learning
Title（参考訳）: 強化学習に基づく完全自律運転のためのパーソナライズされた離散車線切替開始学習
Authors: Zhuoxi Liu, Zheng Wang, Bo Yang, Kimihiko Nakano
Abstract要約: 著者らは,完全自律走行車に対する選択車線変更開始の個別的戦術を学習する新しい方法を提案する。交通状況や自動運転車の動作,車内ユーザのフィードバックから車線変更の開始方法を学ぶために,強化学習技術が使用されている。
参考スコア（独自算出の注目度）: 11.54360350026252
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this article, the authors present a novel method to learn the personalized tactic of discretionary lane-change initiation for fully autonomous vehicles through human-computer interactions. Instead of learning from human-driving demonstrations, a reinforcement learning technique is employed to learn how to initiate lane changes from traffic context, the action of a self-driving vehicle, and in-vehicle user feedback. The proposed offline algorithm rewards the action-selection strategy when the user gives positive feedback and penalizes it when negative feedback. Also, a multi-dimensional driving scenario is considered to represent a more realistic lane-change trade-off. The results show that the lane-change initiation model obtained by this method can reproduce the personal lane-change tactic, and the performance of the customized models (average accuracy 86.1%) is much better than that of the non-customized models (average accuracy 75.7%). This method allows continuous improvement of customization for users during fully autonomous driving even without human-driving experience, which will significantly enhance the user acceptance of high-level autonomy of self-driving vehicles.
Abstract（参考訳）: 本稿では,人間とコンピュータのインタラクションを通じて,完全自律走行車両の識別的車線変更開始戦略を学習するための新しい手法を提案する。人間の運転デモから学ぶ代わりに、交通状況、自動運転車の動作、車載ユーザーからのフィードバックから車線変更を開始する方法を学ぶために強化学習技術が使用される。提案するオフラインアルゴリズムは,ユーザが肯定的なフィードバックを与えた場合の行動選択戦略に報いる。また、多次元駆動シナリオはより現実的な車線変更トレードオフを表すと考えられる。その結果,本手法により得られた車線変更開始モデルでは,個人の車線変更戦術を再現でき,カスタマイズされたモデル(平均精度86.1%)の性能は,非カスタマイズモデル(平均精度75.7%)よりもはるかに優れていることがわかった。この方法では、完全な自動運転体験がなくても、ユーザのカスタマイズを継続的に改善できるため、自動運転車の高レベルの自律性が大幅に向上する。

関連論文リスト

MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
Looking for a better fit? An Incremental Learning Multimodal Object Referencing Framework adapting to Individual Drivers [0.0]
自動車産業の急速な進歩により、タッチベースや音声コマンドシステムといった従来の車両のインタラクション方法は、車両外の物体を参照するなど、幅広い非運転関連のタスクには不十分である。 textitIcRegressは、オブジェクトの駆動と参照という2つのタスクに携わるドライバーの振る舞いや特徴に適応する、新しい回帰に基づく漸進的学習手法である。
論文参考訳（メタデータ） (2024-01-29T12:48:56Z)
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)
Automatic Intersection Management in Mixed Traffic Using Reinforcement Learning and Graph Neural Networks [0.5801044612920815]
接続された自動運転は、都市交通効率を大幅に改善する可能性がある。協調行動計画(cooperative behavior planning)は、複数の車両の動作を協調的に最適化するために用いられる。本研究は,協調型マルチエージェント計画における強化学習とグラフに基づくシーン表現を活用することを提案する。
論文参考訳（メタデータ） (2023-01-30T08:21:18Z)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
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)
Audiovisual Affect Assessment and Autonomous Automobiles: Applications [0.0]
このコントリビューションは、課題を予測し、ロードコンテキスト上のマルチモーダルな"オーディオプラスx"におけるモデリングに影響を与える潜在的な方法を提供することを目的としています。技術的には、乗用車内の個人を全面的にモデル化し、信頼性の高いダイアリゼーションを行う。結論として、自動感情分析は、最初に選択されたユースケースにおける自動運転車の適用可能性の点まで成熟した。
論文参考訳（メタデータ） (2022-03-14T20:39:02Z)
Towards Autonomous Driving of Personal Mobility with Small and Noisy Dataset using Tsallis-statistics-based Behavioral Cloning [1.7970523486905976]
本研究は、小型でノイズの多い、いわゆるパーソナル・データセットを用いた、パーソナル・モビリティのための自律運転方式に焦点を当てた。具体的には、Tsallis統計に基づく新しい損失関数を導入し、元の損失関数に依存する勾配を重み付けする。さらに、ドライバとコントローラが同じ関心領域を持つかどうかを検証するために、可視化技術を改善する。
論文参考訳（メタデータ） (2021-11-29T01:56:12Z)
Action-Based Representation Learning for Autonomous Driving [8.296684637620551]
本稿では,行動に基づく運転データを学習表現に用いることを提案する。提案手法を用いて事前学習した空き時間に基づく運転モデルでは,比較的少量の弱注釈画像が有効であることを示す。
論文参考訳（メタデータ） (2020-08-21T10:49:13Z)
Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文参考訳（メタデータ） (2020-07-10T22:25:27Z)

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。