論文の概要: Pedestrian Collision Avoidance for Autonomous Vehicles at Unsignalized Intersection Using Deep Q-Network

• arxiv url: http://arxiv.org/abs/2105.00153v1
• Date: Sat, 1 May 2021 03:02:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:24:22.076382
• Title: Pedestrian Collision Avoidance for Autonomous Vehicles at Unsignalized Intersection Using Deep Q-Network
• Title（参考訳）: 深部Qネットワークを用いた無人自動車の歩行者衝突回避
• Authors: Kasra Mokhtari, Alan R. Wagner
• Abstract要約: 本稿では,混み合った無人交差点における自律走行車(AV)ナビゲーションについて検討する。 我々は,報酬関数と状態表現を訓練した異なる深層強化学習手法の性能を比較する。
• 参考スコア（独自算出の注目度）: 4.94950858749529
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior research has extensively explored Autonomous Vehicle (AV) navigation in the presence of other vehicles, however, navigation among pedestrians, who are the most vulnerable element in urban environments, has been less examined. This paper explores AV navigation in crowded, unsignalized intersections. We compare the performance of different deep reinforcement learning methods trained on our reward function and state representation. The performance of these methods and a standard rule-based approach were evaluated in two ways, first at the unsignalized intersection on which the methods were trained, and secondly at an unknown unsignalized intersection with a different topology. For both scenarios, the rule-based method achieves less than 40\% collision-free episodes, whereas our methods result in a performance of approximately 100\%. Of the three methods used, DDQN/PER outperforms the other two methods while it also shows the smallest average intersection crossing time, the greatest average speed, and the greatest distance from the closest pedestrian.
• Abstract（参考訳）: 以前の研究は、他の車両の存在下で自律走行車(av)のナビゲーションを広く研究してきたが、都市環境において最も脆弱な要素である歩行者間のナビゲーションについては、あまり調査されていない。 本稿では,混雑した無信号交差点におけるavナビゲーションについて検討する。 我々は,報酬関数と状態表現を訓練した異なる深層強化学習手法の性能を比較する。 これらの手法の性能と標準規則に基づくアプローチを2つの方法で評価した。まず,各手法が訓練された符号のない交差点で,次に,異なる位相を持つ未知の符号のない交差点で評価した。 両シナリオにおいて,ルールベース手法は衝突のないエピソードを40\%以下に抑えるが,本手法では約100\%の性能が得られる。 使用される3つの方法のうち、ddqn/perは他の2つの方法よりも優れており、また最も平均的な交差点横断時間、最も平均速度、最も近い歩行者からの距離も示している。

関連論文リスト

• Attention-based U-Net Method for Autonomous Lane Detection [0.5461938536945723]
  本研究では,ディープラーニングに基づく2つのレーン認識手法を提案する。 最初の方法はFPN(Feature Pyramid Network)モデルを用いており、道路車線検出の精度は87.59%である。 注意層をU-Netモデルに組み込んだ第2の手法はセマンティックセグメンテーションタスクの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-16T22:20:11Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• BCSSN: Bi-direction Compact Spatial Separable Network for Collision Avoidance in Autonomous Driving [4.392212820170972]
  ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。 ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。 そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-12T17:35:57Z)
• Learning Position From Vehicle Vibration Using an Inertial Measurement Unit [2.1213500139850012]
  本稿では,グローバルナビゲーション衛星システム(GNSS)に依存しない車両位置決め手法を提案する。 従来のアプローチは特定の環境での干渉に弱いため、都市キャニオンやフライオーバーや低受信エリアなどの状況では信頼性が低い。 本研究では,慣性計測ユニット(IMU)センサで得られた加速度計およびジャイロスコープ測定から道路信号の学習に基づく車両位置決め手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T18:55:00Z)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Safe Deep Q-Network for Autonomous Vehicles at Unsignalized Intersection [4.94950858749529]
  本稿では,歩行者の群集を通りながら,信号のない交差点で左折しながら,安全なDRLアプローチを提案する。 提案手法では,2つの長期記憶モデルを用いて,環境の認識状態と歩行者の将来の軌跡を学習する。 エゴ車両と歩行者の将来の軌道に基づく将来の衝突予測アルゴリズムを用いて、システムが衝突を予測した場合の安全でない行動を隠蔽する。
  論文  参考訳（メタデータ） (2021-06-08T17:48:56Z)
• 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)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)

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。