論文の概要: Improving the Generalization of End-to-End Driving through Procedural
Generation
- arxiv url: http://arxiv.org/abs/2012.13681v2
- Date: Fri, 12 Mar 2021 06:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 01:11:24.856308
- Title: Improving the Generalization of End-to-End Driving through Procedural
Generation
- Title（参考訳）: 手続き生成によるエンドツーエンド運転の一般化の改善
- Authors: Quanyi Li, Zhenghao Peng, Qihang Zhang, Chunxiao Liu, Bolei Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 35.41368856679809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past few years there is a growing interest in the learning-based
self driving system. To ensure safety, such systems are first developed and
validated in simulators before being deployed in the real world. However, most
of the existing driving simulators only contain a fixed set of scenes and a
limited number of configurable settings. That might easily cause the
overfitting issue for the learning-based driving systems as well as the lack of
their generalization ability to unseen scenarios. To better evaluate and
improve the generalization of end-to-end driving, we introduce an open-ended
and highly configurable driving simulator called PGDrive, following a key
feature of procedural generation. Diverse road networks are first generated by
the proposed generation algorithm via sampling from elementary road blocks.
Then they are turned into interactive training environments where traffic flows
of nearby vehicles with realistic kinematics are rendered. We validate that
training with the increasing number of procedurally generated scenes
significantly improves the generalization of the agent across scenarios of
different traffic densities and road networks. Many applications such as
multi-agent traffic simulation and safe driving benchmark can be further built
upon the simulator. To facilitate the joint research effort of end-to-end
driving, we release the simulator and pretrained models at
https://decisionforce.github.io/pgdrive
- Abstract（参考訳）: ここ数年、学習ベースの自動運転システムへの関心が高まっている。
安全性を確保するため、これらのシステムはまずシミュレータで開発、検証され、その後現実世界に配備される。
しかし、既存の運転シミュレータのほとんどは、固定されたシーンセットと限られた設定可能な設定しか含まない。
これは、学習ベースの運転システムに対する過剰な問題や、シナリオを認識できない一般化能力の欠如を容易に引き起こす可能性がある。
エンド・ツー・エンドの運転の一般化をよりよく評価・改善するために,プロシージャ生成の重要な特徴であるPGDriveと呼ばれるオープンエンドかつ高構成の運転シミュレータを導入する。
多様な道路網は, 基本道路ブロックからのサンプリングにより, 提案アルゴリズムによって生成される。
次に、現実的なキネマティクスを備えた近隣車両の交通の流れをレンダリングするインタラクティブなトレーニング環境へと変換される。
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。
マルチエージェント交通シミュレーションや安全な運転ベンチマークなどの多くのアプリケーションがシミュレータ上に構築できる。
エンド・ツー・エンド・ドライブの共同研究を容易にするため、シミュレーターと事前訓練されたモデルをhttps://decisionforce.github.io/pgdriveでリリースする。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - Comprehensive Training and Evaluation on Deep Reinforcement Learning for
Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。
設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
論文 参考訳（メタデータ） (2023-06-20T11:41:01Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - 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) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z) - Development of A Stochastic Traffic Environment with Generative
Time-Series Models for Improving Generalization Capabilities of Autonomous
Driving Agents [0.0]
我々は,実生活軌跡データに基づいてGAN(Generative Badrial Network)を訓練し,データ駆動交通シミュレータを開発した。
シミュレータは、車両間の実生活の交通相互作用に似たランダムな軌跡を生成する。
GANに基づく交通シミュレーターで訓練されたRLエージェントは、単純なルール駆動シミュレーターで訓練されたRLエージェントと比較して、より強力な一般化能力を有することを示す。
論文 参考訳（メタデータ） (2020-06-10T13:14:34Z)
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。