論文の概要: Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2107.08325v1
• Date: Sun, 18 Jul 2021 00:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:43:25.271915
• Title: Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning
• Title（参考訳）: ディープイミティティブ強化学習を用いたビジョンベース自律走行レース
• Authors: Peide Cai, Hengli Wang, Huaiyang Huang, Yuxuan Liu, Ming Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.699336307578488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous car racing is a challenging task in the robotic control area. Traditional modular methods require accurate mapping, localization and planning, which makes them computationally inefficient and sensitive to environmental changes. Recently, deep-learning-based end-to-end systems have shown promising results for autonomous driving/racing. However, they are commonly implemented by supervised imitation learning (IL), which suffers from the distribution mismatch problem, or by reinforcement learning (RL), which requires a huge amount of risky interaction data. In this work, we present a general deep imitative reinforcement learning approach (DIRL), which successfully achieves agile autonomous racing using visual inputs. The driving knowledge is acquired from both IL and model-based RL, where the agent can learn from human teachers as well as perform self-improvement by safely interacting with an offline world model. We validate our algorithm both in a high-fidelity driving simulation and on a real-world 1/20-scale RC-car with limited onboard computation. The evaluation results demonstrate that our method outperforms previous IL and RL methods in terms of sample efficiency and task performance. Demonstration videos are available at https://caipeide.github.io/autorace-dirl/
• Abstract（参考訳）: 自動運転車のレースは、ロボット制御領域では難しい課題だ。 従来のモジュラー手法は正確なマッピング、ローカライゼーション、計画を必要とするため、計算的に非効率で環境変化に敏感である。 近年、ディープラーニングに基づくエンドツーエンドシステムは、自動運転/ラッシングの有望な結果を示している。 しかし、これらは分布ミスマッチ問題に苦しむ教師付き模倣学習(IL)や、大量のリスクのある相互作用データを必要とする強化学習(RL)によって一般的に実装されている。 本研究では,視覚入力を用いた自律走行のアジャイル化に成功している,汎用的な深層模倣強化学習手法を提案する。 運転知識はILとモデルベースRLの両方から取得され、エージェントは人間の教師から学び、オフラインの世界モデルと安全に対話することで自己改善を行うことができる。 本アルゴリズムを高信頼運転シミュレーションと実世界の1/20スケールrc-carの両方で検証し,オンボード計算を制限した。 評価の結果,本手法は従来のilおよびrl法よりも,サンプル効率とタスク性能の点で優れていた。 デモビデオはhttps://caipeide.github.io/autorace-dirl/で見ることができる。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
  本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。 複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。 実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
  論文  参考訳（メタデータ） (2023-06-27T17:58:39Z)
• Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
  本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。 設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
  論文  参考訳（メタデータ） (2023-06-20T11:41:01Z)
• 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)
• Spatiotemporal Costmap Inference for MPC via Deep Inverse Reinforcement Learning [27.243603228431564]
  目標条件付き時間報酬関数を学習するIRLRLアルゴリズムを提案する。 結果として生じるコストマップは、Model Predictive Controllers (MPC) によってタスクの実行に使用される。
  論文  参考訳（メタデータ） (2022-01-17T17:36:29Z)
• 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)
• Formula RL: Deep Reinforcement Learning for Autonomous Racing using Telemetry Data [4.042350304426975]
  この問題を,車両のテレメトリと連続的な動作空間からなる多次元入力を用いて強化学習タスクとして構成する。 我々は,2つの実験において,Deep Deterministic Policy gradient (DDPG) の10変種をレースに投入した。 研究によると、rlでトレーニングされたモデルは、オープンソースの手作りロボットよりも高速に運転できるだけでなく、未知のトラックに一般化できる。
  論文  参考訳（メタデータ） (2021-04-22T14:40:12Z)
• Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning [39.757652701917166]
  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。
  論文  参考訳（メタデータ） (2021-03-26T18:06:50Z)
• 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)

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。