論文の概要: Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2103.14666v1
• Date: Fri, 26 Mar 2021 18:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:46:40.678290
• Title: Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning
• Title（参考訳）: カリキュラム強化学習によるグランド・チューリッソスポーツの自律的獲得
• Authors: Yunlong Song, HaoChih Lin, Elia Kaufmann, Peter Duerr, Davide Scaramuzza
• Abstract要約: 本研究では,自律オーバーテイク問題に対する新たな学習手法を提案する。 カーレースシミュレーターであるGran Turismo Sportによるアプローチの評価を行った。
• 参考スコア（独自算出の注目度）: 39.757652701917166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Professional race car drivers can execute extreme overtaking maneuvers. However, conventional systems for autonomous overtaking rely on either simplified assumptions about the vehicle dynamics or solving expensive trajectory optimization problems online. When the vehicle is approaching its physical limits, existing model-based controllers struggled to handle highly nonlinear dynamics and cannot leverage the large volume of data generated by simulation or real-world driving. To circumvent these limitations, this work proposes a new learning-based method to tackle the autonomous overtaking problem. We evaluate our approach using Gran Turismo Sport -- a world-leading car racing simulator known for its detailed dynamic modeling of various cars and tracks. By leveraging curriculum learning, our approach leads to faster convergence as well as increased performance compared to vanilla reinforcement learning. As a result, the trained controller outperforms the built-in model-based game AI and achieves comparable overtaking performance with an experienced human driver.
• Abstract（参考訳）: プロのレースカードライバーは極端なオーバーテイク操作を実行できます。 しかし、従来の自律乗用システムは、車両の動力学に関する単純な仮定か、高価な軌道最適化問題をオンラインで解くかのどちらかに依存している。 車両が物理的限界に近づくと、既存のモデルベースのコントローラは高度に非線形なダイナミクスを扱うのに苦労し、シミュレーションや実世界の運転によって生成される大量のデータを利用することができない。 これらの制限を回避するため,本研究では,自律的乗っ取り問題に取り組むための新しい学習ベース手法を提案する。 我々はGran Turismo Sportという、様々な車やトラックの詳細な動的モデリングで知られている世界主導のレーシングシミュレータを用いたアプローチを評価した。 カリキュラム学習を活用することで,本手法はバニラ強化学習よりも早く収束し,性能が向上する。 その結果、トレーニングされたコントローラは、組み込みのモデルベースのゲームAIより優れ、経験豊富な人間ドライバーと同等のオーバーテイクパフォーマンスを達成する。

関連論文リスト

• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes [0.0]
  本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。 人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築した。
  論文  参考訳（メタデータ） (2023-06-06T04:53:06Z)
• 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)
• 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)
• An Adaptive Human Driver Model for Realistic Race Car Simulations [25.67586167621258]
  我々は、レースドライバーの振る舞いをよりよく理解し、模倣学習に基づく適応的な人間のレースドライバーモデルを導入する。 我々のフレームワークは、ほぼ人間に近い性能で、目に見えないレーストラック上で、現実的な走行線分布を作成できることを示します。
  論文  参考訳（メタデータ） (2022-03-03T18:39:50Z)
• Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning [13.699336307578488]
  深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。 我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-18T00:00:48Z)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)
• Learning from Simulation, Racing in Reality [126.56346065780895]
  ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。 シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
  論文  参考訳（メタデータ） (2020-11-26T14:58:49Z)
• Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement Learning [39.719051858649216]
  高忠実度物理カーシミュレーションを利用した自律走行車レース学習システムを提案する。 私たちは、異なるレースカーとトラックのリアルな物理シミュレーションで知られている世界主導の自動車シミュレータであるGran Turismo Sportにシステムをデプロイしました。 私たちのトレーニングされたポリシーは、組み込みAIによってこれまで達成された以上の自律的なレースパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-08-18T15:06:44Z)
• High-speed Autonomous Drifting with Deep Reinforcement Learning [15.766089739894207]
  明示的な運動方程式を伴わない頑健なドリフト制御器を提案する。 私たちのコントローラーは、車両をさまざまな鋭い角を素早く、安定して、目に見えない地図に流すことができる。
  論文  参考訳（メタデータ） (2020-01-06T03:05:52Z)

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。