Fugu-MT 論文翻訳(概要): Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving

論文の概要: Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving

arxiv url: http://arxiv.org/abs/2105.06517v1
Date: Thu, 13 May 2021 19:17:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-17 12:50:09.546882
Title: Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving
Title（参考訳）: 自動車運転における強化学習に基づく安全意思決定
Authors: Arash Mohammadhasani, Hamed Mehrivash, Alan Lynch, Zhan Shu
Abstract要約: マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
参考スコア（独自算出の注目度）: 1.995792341399967
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper, we develop a safe decision-making method for self-driving cars in a multi-lane, single-agent setting. The proposed approach utilizes deep reinforcement learning (RL) to achieve a high-level policy for safe tactical decision-making. We address two major challenges that arise solely in autonomous navigation. First, the proposed algorithm ensures that collisions never happen, and therefore accelerate the learning process. Second, the proposed algorithm takes into account the unobservable states in the environment. These states appear mainly due to the unpredictable behavior of other agents, such as cars, and pedestrians, and make the Markov Decision Process (MDP) problematic when dealing with autonomous navigation. Simulations from a well-known self-driving car simulator demonstrate the applicability of the proposed method
Abstract（参考訳）: 本稿では,複数車線単一エージェント環境での自動運転車の安全な意思決定手法を提案する。提案手法は, 深い強化学習(rl)を用いて, 安全な戦術的意思決定のためのハイレベルな方針を実現する。自律ナビゲーションでのみ発生する2つの大きな課題に対処する。まず、提案アルゴリズムは衝突が起こらないことを保証し、学習プロセスを加速する。第二に、提案アルゴリズムは環境中の観測不能な状態を考慮に入れている。これらの状態は、主に自動車や歩行者などの他のエージェントの予測不能な行動によって現れ、自律航行を扱う際にマルコフ決定プロセス(mdp)が問題となる。有名な自動運転車シミュレータによるシミュレーションによる提案手法の適用性実証

関連論文リスト

Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Deep Q-Network Based Decision Making for Autonomous Driving [1.0152838128195467]
本稿では,Q-Networksと制御理論からの洞察を組み合わせることで,高速道路のシナリオで自動運転車を安全にナビゲートする方法を提案する。ディープQネットワークは、軌道プランナーの目標を提案することにより、中心的な意思決定ユニットとして機能するようにシミュレーションで訓練される。経年移動のための制御装置と組み合わせて生成された軌道を用いて車線変更操作を行う。
論文参考訳（メタデータ） (2023-03-21T07:01:22Z)
Prediction Based Decision Making for Autonomous Highway Driving [3.6818636539023175]
本稿では,予測に基づく深層強化学習(Deep Reinforcement Learning, PDRL)意思決定モデルを提案する。高速道路運転の意思決定プロセスにおいて、周囲の車両の操作意図を考慮に入れている。その結果,提案したPDRLモデルでは,衝突数を減少させることで,Deep Reinforcement Learning (DRL)モデルと比較して意思決定性能が向上することがわかった。
論文参考訳（メタデータ） (2022-09-05T19:28:30Z)
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)
Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles [11.463476667274051]
運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。本稿では,RAILアルゴリズムを提案する。提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
論文参考訳（メタデータ） (2021-12-26T23:42:49Z)
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)
Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文参考訳（メタデータ） (2021-01-18T01:43:36Z)
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)
Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning [6.298084785377199]
高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。 DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
論文参考訳（メタデータ） (2020-07-16T23:41:48Z)
Dueling Deep Q Network for Highway Decision Making in Autonomous Vehicles: A Case Study [9.602219035367066]
本研究は、深部強化学習(DRL)を用いた自動運転車の高速道路意思決定戦略を最適化するものである。最適制御問題として、自動車両のオーバーテイク決定問題を定式化する。シミュレーションの結果,エゴ車両は学習および訓練後の運転課題を安全かつ効率的に達成できることが判明した。
論文参考訳（メタデータ） (2020-07-16T14:09:20Z)

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。