論文の概要: Learning from Experience for Rapid Generation of Local Car Maneuvers
- arxiv url: http://arxiv.org/abs/2012.03707v1
- Date: Mon, 7 Dec 2020 14:05:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 08:51:50.953286
- Title: Learning from Experience for Rapid Generation of Local Car Maneuvers
- Title(参考訳): ローカルカーマニキュアの高速発電における経験から学ぶ
- Authors: Piotr Kicki, Tomasz Gawron, Krzysztof \'Cwian, Mete Ozay, Piotr
Skrzypczy\'nski
- Abstract要約: 本研究では,DNN(Deep Neural Network)を訓練し,運動的制約のある車両に実現可能で最適に近い経路を計画することを提案する。
本モデルは,新しい弱い教師付きアプローチと勾配に基づくポリシー探索を用いて学習する。
経路生成時間はおよそ40ミリ秒であるが、生成された経路はスムーズで、従来の経路プランナーと同等である。
- 参考スコア(独自算出の注目度): 9.621143711575543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Being able to rapidly respond to the changing scenes and traffic situations
by generating feasible local paths is of pivotal importance for car autonomy.
We propose to train a deep neural network (DNN) to plan feasible and
nearly-optimal paths for kinematically constrained vehicles in small constant
time. Our DNN model is trained using a novel weakly supervised approach and a
gradient-based policy search. On real and simulated scenes and a large set of
local planning problems, we demonstrate that our approach outperforms the
existing planners with respect to the number of successfully completed tasks.
While the path generation time is about 40 ms, the generated paths are smooth
and comparable to those obtained from conventional path planners.
- Abstract(参考訳): 変化する状況や交通状況に素早く対応できることは、自動車の自律性にとって重要な意味を持つ。
本稿では,車体に拘束された車両を一定時間で実現可能なほぼ最適経路を計画するために,ディープニューラルネットワーク(DNN)を訓練することを提案する。
我々のDNNモデルは、新しい弱教師付きアプローチと勾配に基づくポリシー探索を用いて訓練されている。
実演・模擬シーンと多数のローカルプランニング問題において,本手法が完了したタスク数に対して,既存のプランナーよりも優れていることを示す。
経路生成時間はおよそ40ミリ秒であるが、生成された経路はスムーズで、従来の経路プランナーと同等である。
関連論文リスト
- Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking [3.750010944080163]
本稿では,モンテカルロ木探索を用いた強化学習パイプラインを提案する。
状態の価値を反復的に学習することにより、与えられた状態に対する値推定器とポリシー生成器をモデル化することができる。
論文 参考訳(メタデータ) (2024-03-25T22:21:23Z) - Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳(メタデータ) (2023-06-27T17:58:39Z) - 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) - Speeding up deep neural network-based planning of local car maneuvers
via efficient B-spline path construction [3.9596068699962323]
約11ミリ秒のほぼ一定時間で局所的な操作を生成できる新しいB-スプラインパス構築法を提案する。
我々は,最新のベンチMRフレームワークを用いた新しいプランナーを徹底的に評価し,提案手法が最先端プランナーよりも大きなマージンで優れていることを示す定量的結果を得た。
論文 参考訳(メタデータ) (2022-03-14T09:54:24Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2021-01-17T14:16:12Z) - An End-to-end Deep Reinforcement Learning Approach for the Long-term
Short-term Planning on the Frenet Space [0.0]
本稿では,自動運転車の意思決定と動作計画に向けた,エンドツーエンドの継続的強化学習手法を提案する。
初めて、Frenet空間上の状態と行動空間の両方を定義して、走行挙動を道路曲率に変化させないようにする。
このアルゴリズムは、フィードバックコントローラが追跡するFrenetフレーム上で連続時間軌道を生成する。
論文 参考訳(メタデータ) (2020-11-26T02:40:07Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳(メタデータ) (2020-11-09T20:49:54Z) - Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial
Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。
提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。
提案手法を様々なシミュレーション環境で検証した。
論文 参考訳(メタデータ) (2020-08-29T09:55:49Z) - A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like
Vehicles Maneuvering in Urban Environment [3.867363075280544]
本稿では、勾配に基づく自己教師付き学習アルゴリズムを用いて、実現可能な経路を予測する、新しいニューラルネットワークによる経路計画手法を提案する。
このアプローチは過去に得られた経験を強く活用し、操舵角度が制限された車のような車両の実行可能な操縦計画を迅速に得る。
論文 参考訳(メタデータ) (2020-03-02T14:48:29Z) - 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。