Fugu-MT 論文翻訳(概要): Autonomous Driving Implementation in an Experimental Environment

論文の概要: Autonomous Driving Implementation in an Experimental Environment

arxiv url: http://arxiv.org/abs/2106.15274v1
Date: Sun, 23 May 2021 11:14:09 GMT
ステータス: 処理完了
システム内更新日: 2023-03-30 01:14:57.016298
Title: Autonomous Driving Implementation in an Experimental Environment
Title（参考訳）: 実験環境における自律運転の実現
Authors: Namig Aliyev, Oguzhan Sezer, Mehmet Turan Guzel
Abstract要約: 自律運転システムでは、車線追跡と同様に障害物や信号機の検出が重要である。本研究では,この目的のために設計された実験環境において,自律走行システムを開発した。障害物を避けるために、コーナー検出、光流、拡大の焦点、衝突までの時間、バランス計算、決定機構が作成された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autonomous systems require identifying the environment and it has a long way to go before putting it safely into practice. In autonomous driving systems, the detection of obstacles and traffic lights are of importance as well as lane tracking. In this study, an autonomous driving system is developed and tested in the experimental environment designed for this purpose. In this system, a model vehicle having a camera is used to trace the lanes and avoid obstacles to experimentally study autonomous driving behavior. Convolutional Neural Network models were trained for Lane tracking. For the vehicle to avoid obstacles, corner detection, optical flow, focus of expansion, time to collision, balance calculation, and decision mechanism were created, respectively.
Abstract（参考訳）: 自律システムは環境を識別する必要があるため、安全に実施するには長い道のりが必要です。自律運転システムでは、車線追跡と同様に障害物や信号機の検出が重要である。本研究では,この目的のために設計された実験環境において,自律走行システムを開発した。本システムでは、カメラを有するモデル車両を用いて車線を追跡し、障害物を避け、自律運転行動を実験的に研究する。畳み込みニューラルネットワークモデルはレーン追跡のために訓練された。障害物を避けるために, コーナー検出, 光流, 展開焦点, 衝突時間, バランス計算, 決定機構をそれぞれ作成した。

関連論文リスト

Behavioral Cloning Models Reality Check for Autonomous Driving [5.021331908103135]
本稿では, 横方向制御にBC(Behavior Cloning)を用いた現状認識システムの現実的検証について述べる。データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。実験により, リアルタイムに低誤差の操舵角度を推定できることが確認された。
論文参考訳（メタデータ） (2024-09-11T12:19:38Z)
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)
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文参考訳（メタデータ） (2024-01-08T03:06:02Z)
Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
論文参考訳（メタデータ） (2023-03-29T16:12:45Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
Visual Perception System for Autonomous Driving [9.659835301514288]
本研究は、走行物体の軌跡追跡と予測を統合して衝突を防止する、自律走行のための視覚的認識システムを導入する。このシステムは歩行者の動きの手がかりを利用して、その動きを監視し、予測し、同時に環境をマッピングする。このアプローチの性能、効率、レジリエンスは、シミュレーションと実世界の両方のデータセットの包括的な評価によって実証される。
論文参考訳（メタデータ） (2023-03-03T23:12:43Z)
ScaTE: A Scalable Framework for Self-Supervised Traversability Estimation in Unstructured Environments [7.226357394861987]
本研究では,自己教師付きトラバーサビリティ学習のためのスケーラブルなフレームワークを提案する。私たちは、車両が3Dポイントの雲から受ける受容的体験を予測するニューラルネットワークをトレーニングします。シミュレーションと実世界から収集した各種車両の運転データから,本フレームワークは各種車両の自己監督的走行性を学ぶことができることを示す。
論文参考訳（メタデータ） (2022-09-14T09:52:26Z)
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)
Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文参考訳（メタデータ） (2022-03-04T16:14:33Z)
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)
BayesRace: Learning to race autonomously using prior experience [20.64931380046805]
本稿では,自律走行のためのモデルベース計画制御フレームワークを提案する。本手法は,車載センサ計測から学習することで,シミュレーションベースコントローラ設計によるギャップを軽減する。
論文参考訳（メタデータ） (2020-05-10T19:15:06Z)

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。