論文の概要: Brain-Inspired Deep Imitation Learning for Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2107.14654v1
- Date: Fri, 30 Jul 2021 14:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 13:04:21.362971
- Title: Brain-Inspired Deep Imitation Learning for Autonomous Driving Systems
- Title（参考訳）: 自律運転システムのための脳にインスパイアされた深層模倣学習
- Authors: Hasan Bayarov Ahmedov, Dewei Yi, Jie Sui
- Abstract要約: ヒトは、脳の両側の構造的および機能的非対称性から恩恵を受ける強力な一般化能力を持つ。
そこで我々は,人間のニューラルネットワークの非対称性に基づいて,ディープニューラルネットワークにおけるデュアルニューラルネットワークポリシー(NCP)アーキテクチャを設計する。
実験の結果,脳にインスパイアされた手法は,見えないデータを扱う場合の一般化に関する既存の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 0.38673630752805443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving has attracted great attention from both academics and
industries. To realise autonomous driving, Deep Imitation Learning (DIL) is
treated as one of the most promising solutions, because it improves autonomous
driving systems by automatically learning a complex mapping from human driving
data, compared to manually designing the driving policy. However, existing DIL
methods cannot generalise well across domains, that is, a network trained on
the data of source domain gives rise to poor generalisation on the data of
target domain. In the present study, we propose a novel brain-inspired deep
imitation method that builds on the evidence from human brain functions, to
improve the generalisation ability of deep neural networks so that autonomous
driving systems can perform well in various scenarios. Specifically, humans
have a strong generalisation ability which is beneficial from the structural
and functional asymmetry of the two sides of the brain. Here, we design dual
Neural Circuit Policy (NCP) architectures in deep neural networks based on the
asymmetry of human neural networks. Experimental results demonstrate that our
brain-inspired method outperforms existing methods regarding generalisation
when dealing with unseen data. Our source codes and pretrained models are
available at
https://github.com/Intenzo21/Brain-Inspired-Deep-Imitation-Learning-for-Autonomous-Driving-Systems}{https://github.com/Intenzo21/Brain-Inspired-Deep-Imitation-Learning-for-Autonomous-Driving-Systems.
- Abstract（参考訳）: 自動運転は学術と産業の両方から大きな注目を集めている。
自動運転を実現するために、deep imitation learning(dil)は人間の運転データから複雑なマッピングを自動的に学習することで、手動で運転ポリシーを設計するよりも自律運転システムを改善するため、最も有望なソリューションの1つとして扱われる。
しかし、既存のDILメソッドは、ソースドメインのデータに基づいてトレーニングされたネットワークがターゲットドメインのデータに対して不十分な一般化をもたらすため、ドメイン間でうまく一般化できない。
本研究では,人間の脳機能の証拠に基づいて,ニューラルネットワークの一般化能力を向上し,様々なシナリオにおいて自律運転システムがうまく機能するように,脳にインスパイアされた新しい深層模倣法を提案する。
特に、ヒトは脳の両側の構造的および機能的非対称性から有益である強い一般化能力を持っている。
そこで我々は,人間のニューラルネットワークの非対称性に基づいて,ディープニューラルネットワークにおけるデュアルニューラルネットワークポリシー(NCP)アーキテクチャを設計する。
実験の結果,脳にインスパイアされた手法は,見えないデータを扱う場合の一般化に関する既存の手法よりも優れていた。
私たちのソースコードと事前訓練済みモデルは、https://github.com/Intenzo21/Brain-Inspired-Deep-Imitation-Learning-for-Autonomous-Driving-Systems}{https://github.com/Intenzo21/Brain-Inspired-Deep-Imitation-for-Autonomous-Driving-Systemsで利用可能です。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - A Language Agent for Autonomous Driving [33.64382018350317]
本稿では,人間のような知性を自律運転システムに統合するためのパラダイムシフトを提案する。
当社のアプローチは、Agent-Driverと呼ばれ、従来の自動運転パイプラインを変換します。
我々の手法は最先端の運転方法よりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2023-11-17T18:59:56Z) - LLM4Drive: A Survey of Large Language Models for Autonomous Driving [67.843551583229]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。
本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文 参考訳（メタデータ） (2023-11-02T07:23:33Z) - Decentralized Motor Skill Learning for Complex Robotic Systems [5.669790037378093]
本稿では,分散モータスキル(DEMOS)学習アルゴリズムを提案する。
本手法は, 性能を犠牲にすることなく, 政策の堅牢性と一般化を向上する。
四足歩行ロボットとヒューマノイドロボットの実験は、学習方針が局所的な運動障害に対して堅牢であり、新しいタスクに移行できることを示した。
論文 参考訳（メタデータ） (2023-06-30T05:55:34Z) - KARNet: Kalman Filter Augmented Recurrent Neural Network for Learning
World Models in Autonomous Driving Tasks [11.489187712465325]
本稿では、フロントカメラ画像のみを用いて、交通流の潜在表現を学習するために、Kalmanフィルタの強化されたリカレントニューラルネットワークアーキテクチャを提案する。
その結果,車両の明示的なモデル(カルマンフィルタを用いて推定した状態)をエンドツーエンド学習に組み込むことで,性能が著しく向上した。
論文 参考訳（メタデータ） (2023-05-24T02:27:34Z) - Reinforcement Learning in an Adaptable Chess Environment for Detecting
Human-understandable Concepts [0.0]
本研究では,自己学習エージェントが学習の過程で内在する概念を探索する手法を示す。
実演では,研究グループに適した高速で軽量な環境において,チェス演奏エージェントを使用する。
論文 参考訳（メタデータ） (2022-11-10T11:48:10Z) - 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) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement
Learning [13.699336307578488]
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。
論文 参考訳（メタデータ） (2021-07-18T00:00:48Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳（メタデータ） (2020-12-04T18:59:32Z) - LaND: Learning to Navigate from Disengagements [158.6392333480079]
本研究では,学習者に対する学習支援のための強化学習手法(LaND)を提案する。
LaNDは現在の知覚的観察から、どのアクションが解離につながるかを予測するニューラルネットワークモデルを学び、テスト時計画で解離を回避するアクションを実行する。
以上の結果から,LaNDは多種多様な現実世界の歩道環境を学習し,模倣学習と強化学習の両方に優れることを示した。
論文 参考訳（メタデータ） (2020-10-09T17:21:42Z)
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。