論文の概要: Towards End-to-End Deep Learning for Autonomous Racing: On Data Collection and a Unified Architecture for Steering and Throttle Prediction

• arxiv url: http://arxiv.org/abs/2105.01799v1
• Date: Tue, 4 May 2021 23:44:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 12:43:13.826833
• Title: Towards End-to-End Deep Learning for Autonomous Racing: On Data Collection and a Unified Architecture for Steering and Throttle Prediction
• Title（参考訳）: 自動運転車のエンドツーエンドディープラーニングに向けて:データ収集とステアリングとスロットル予測のための統一アーキテクチャ
• Authors: Shakti N. Wadekar, Benjamin J. Schwartz, Shyam S. Kannan, Manuel Mar, Rohan Kumar Manna, Vishnu Chellapandi, Daniel J. Gonzalez, Aly El Gamal
• Abstract要約: エンドツーエンドで訓練されたディープニューラルネットワーク(DNN)は、複雑な問題を解決するためにうまく適用されている。 本稿では,訓練に使用する運転データと,dnnが操舵角度の予測に効果的に適用できる最大速度との関係を解析した。
• 参考スコア（独自算出の注目度）: 7.054671146863794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Neural Networks (DNNs) which are trained end-to-end have been successfully applied to solve complex problems that we have not been able to solve in past decades. Autonomous driving is one of the most complex problems which is yet to be completely solved and autonomous racing adds more complexity and exciting challenges to this problem. Towards the challenge of applying end-to-end learning to autonomous racing, this paper shows results on two aspects: (1) Analyzing the relationship between the driving data used for training and the maximum speed at which the DNN can be successfully applied for predicting steering angle, (2) Neural network architecture and training methodology for learning steering and throttle without any feedback or recurrent connections.
• Abstract（参考訳）: エンドツーエンドでトレーニングされたディープニューラルネットワーク(DNN)は、過去数十年で解決できなかった複雑な問題を解決するために、うまく適用されています。 自動運転は、まだ完全に解決されていない最も複雑な問題の1つであり、自動運転は、この問題にさらに複雑さとエキサイティングな課題をもたらす。 本稿では,自律走行にエンド・ツー・エンドの学習を適用することの課題として,(1)訓練に使用する運転データと,dnnが操舵角度の予測に効果的に適用できる最大速度との関係を分析すること,(2)ニューラルネットワークアーキテクチャと,フィードバックや繰り返し接続なしで操舵とスロットルを学習するためのトレーニング方法論について述べる。

関連論文リスト

• Self-Driving Car Racing: Application of Deep Reinforcement Learning [0.0]
  このプロジェクトの目的は、OpenAI Gymnasium CarRacing環境でシミュレーションカーを効率的に駆動するAIエージェントを開発することである。 本稿では,DQN(Deep Q-Network)やPPO(Proximal Policy Optimization)などのRLアルゴリズムや,トランスファーラーニングとリカレントニューラルネットワーク(RNN)を組み込んだ新たな適応手法について検討する。
  論文  参考訳（メタデータ） (2024-10-30T07:32:25Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• End-to-end Lidar-Driven Reinforcement Learning for Autonomous Racing [0.0]
  強化学習(Reinforcement Learning, RL)は、自動化とロボット工学の領域において、変革的なアプローチとして登場した。 本研究は、フィードフォワード生ライダーと速度データのみを用いて、レース環境をナビゲートするRLエージェントを開発し、訓練する。 エージェントのパフォーマンスは、実世界のレースシナリオで実験的に評価される。
  論文  参考訳（メタデータ） (2023-09-01T07:03:05Z)
• Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey [9.385936248154987]
  エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。 エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。 本稿では,最先端の評価,課題の特定,今後の可能性を探る。
  論文  参考訳（メタデータ） (2023-07-10T07:00:06Z)
• 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)
• NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
  ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。 提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
  論文  参考訳（メタデータ） (2022-11-14T17:10:53Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• 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)
• Reinforcement Learning for Autonomous Driving with Latent State Inference and Spatial-Temporal Relationships [46.965260791099986]
  強化学習フレームワークにおける潜伏状態の明示的に推測と空間的時間的関係の符号化は,この課題に対処する上で有効であることを示す。 我々は、強化学習者と教師付き学習者を組み合わせた枠組みにより、他の運転者の潜伏状態に関する事前知識を符号化する。 提案手法は,最先端のベースラインアプローチと比較して,T区間のナビゲーションにおける性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-11-09T08:55:12Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)
• Multi-modal Experts Network for Autonomous Driving [16.587968446342995]
  センサデータからエンドツーエンドの学習は、自動運転の有望な結果を示している。 このようなネットワークをトレーニングし、デプロイすることは困難であり、考慮された環境では少なくとも2つの問題に直面している。 本稿では,新しいマルチモーダル・エキスパート・ネットワーク・アーキテクチャを提案し,マルチステージ・トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-09-18T14:54:54Z)

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。