論文の概要: DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic
Scenarios with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2011.06775v3
- Date: Fri, 30 Jul 2021 00:56:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:52:54.020292
- Title: DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic
Scenarios with Graph Neural Networks
- Title（参考訳）: DiGNet: グラフニューラルネットワークを用いた汎用交通シナリオのためのスケーラブルな自動運転ポリシ学習
- Authors: Peide Cai, Hengli Wang, Yuxiang Sun, Ming Liu
- Abstract要約: 大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。
高忠実度運転シミュレータで7000km以上の評価を行う。
本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
- 参考スコア（独自算出の注目度）: 26.558394047144006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional decision and planning frameworks for self-driving vehicles (SDVs)
scale poorly in new scenarios, thus they require tedious hand-tuning of rules
and parameters to maintain acceptable performance in all foreseeable cases.
Recently, self-driving methods based on deep learning have shown promising
results with better generalization capability but less hand engineering effort.
However, most of the previous learning-based methods are trained and evaluated
in limited driving scenarios with scattered tasks, such as lane-following,
autonomous braking, and conditional driving. In this paper, we propose a
graph-based deep network to achieve scalable self-driving that can handle
massive traffic scenarios. Specifically, more than 7,000 km of evaluation is
conducted in a high-fidelity driving simulator, in which our method can obey
the traffic rules and safely navigate the vehicle in a large variety of urban,
rural, and highway environments, including unprotected left turns, narrow
roads, roundabouts, and pedestrian-rich intersections. Demonstration videos are
available at https://caipeide.github.io/dignet/.
- Abstract（参考訳）: 従来の自動運転車(sdv)の意思決定と計画のフレームワークは、新しいシナリオではスケールが悪く、予測可能なすべてのケースで許容可能なパフォーマンスを維持するために、ルールとパラメータの面倒なハンドチューニングが必要となる。
近年、ディープラーニングに基づく自動運転手法は、より良い一般化能力を持つがハンドエンジニアリングの労力は少ない、有望な結果を示している。
しかし、従来の学習に基づく手法のほとんどは、車線追従、自律ブレーキ、条件付き運転などの分散タスクを伴う限られた運転シナリオで訓練され評価されている。
本稿では,大規模交通シナリオを扱うスケーラブルな自動運転を実現するためのグラフベースのディープネットワークを提案する。
具体的には, 交通規制に従えば, 左折, 狭い道路, ラウンドアバウンド, 歩行者の多い交差点など, 様々な都市, 農村, 高速道路環境において, 車両を安全に走行することのできる高忠実運転シミュレータにおいて, 7000km以上の評価を行う。
デモビデオはhttps://caipeide.github.io/dignet/で見ることができる。
関連論文リスト
- Infrastructure-based End-to-End Learning and Prevention of Driver
Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文 参考訳（メタデータ） (2023-03-21T22:55:51Z) - 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) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T20:14:02Z) - DQ-GAT: Towards Safe and Efficient Autonomous Driving with Deep
Q-Learning and Graph Attention Networks [12.714551756377265]
従来の計画手法は概ねルールベースであり、複雑な動的シナリオではスケールが不十分である。
スケーラブルでプロアクティブな自動運転を実現するためにDQ-GATを提案する。
我々の手法は、見知らぬシナリオと見えないシナリオの両方において、安全と効率のトレードオフを改善することができる。
論文 参考訳（メタデータ） (2021-08-11T04:55:23Z) - 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) - Autonomous Navigation through intersections with Graph
ConvolutionalNetworks and Conditional Imitation Learning for Self-driving
Cars [10.080958939027363]
自動運転では、信号のない交差点を通るナビゲーションは難しい作業だ。
ナビゲーションポリシー学習のための新しい分岐ネットワークG-CILを提案する。
エンドツーエンドのトレーニング可能なニューラルネットワークは、より高い成功率と短いナビゲーション時間でベースラインを上回っています。
論文 参考訳（メタデータ） (2021-02-01T07:33:12Z) - Improving the Generalization of End-to-End Driving through Procedural
Generation [35.41368856679809]
エンドツーエンド運転の一般化をより良く評価し、改善するために、PGDriveと呼ばれるオープンエンド駆動シミュレータをリリースします。
我々は,プロシージャ生成シーンの増加によるトレーニングが,交通密度や道路網の異なるシナリオにおけるエージェントの一般化を著しく改善することを検証する。
論文 参考訳（メタデータ） (2020-12-26T06:23:14Z) - 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)
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。