論文の概要: Online Adaptation of Parameters using GRU-based Neural Network with BO
for Accurate Driving Model
- arxiv url: http://arxiv.org/abs/2109.11720v1
- Date: Fri, 24 Sep 2021 03:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:09:34.409580
- Title: Online Adaptation of Parameters using GRU-based Neural Network with BO
for Accurate Driving Model
- Title（参考訳）: 正確な運転モデルのためのBO付きGRUニューラルネットワークを用いたパラメータのオンライン適応
- Authors: Zhanhong Yang, Satoshi Masuda, Michiaki Tatsubori
- Abstract要約: 運転モデル(DM)のキャリブレーションは、シミュレーションされた運転動作を人間の運転行動に近づける。
従来のDM校正法は、運転中にDMのパラメータが異なることを考慮しない。
実車追従動作をより正確に再現するために,人間の運転スタイルを測定するDM校正手法を提案する。
- 参考スコア（独自算出の注目度）: 0.8433000039153409
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Testing self-driving cars in different areas requires surrounding cars with
accordingly different driving styles such as aggressive or conservative styles.
A method of numerically measuring and differentiating human driving styles to
create a virtual driver with a certain driving style is in demand. However,
most methods for measuring human driving styles require thresholds or labels to
classify the driving styles, and some require additional questionnaires for
drivers about their driving attitude. These limitations are not suitable for
creating a large virtual testing environment. Driving models (DMs) simulate
human driving styles. Calibrating a DM makes the simulated driving behavior
closer to human-driving behavior, and enable the simulation of human-driving
cars. Conventional DM-calibrating methods do not take into account that the
parameters in a DM vary while driving. These "fixed" calibrating methods cannot
reflect an actual interactive driving scenario. In this paper, we propose a
DM-calibration method for measuring human driving styles to reproduce real
car-following behavior more accurately. The method includes 1) an objective
entropy weight method for measuring and clustering human driving styles, and 2)
online adaption of DM parameters based on deep learning by combining Bayesian
optimization (BO) and a gated recurrent unit neural network. We conducted
experiments to evaluate the proposed method, and the results indicate that it
can be easily used to measure human driver styles. The experiments also showed
that we can calibrate a corresponding DM in a virtual testing environment with
up to 26% more accuracy than with fixed calibration methods.
- Abstract（参考訳）: 異なる地域で自動運転車をテストするには、アグレッシブなスタイルや保守的なスタイルなど、異なる運転スタイルの車を取り巻く必要がある。
人間の運転スタイルを数値的に測定して、一定の運転スタイルを持つ仮想ドライバを作成する方法が求められている。
しかしながら、運転スタイルを測定するほとんどの方法は、運転スタイルを分類するためにしきい値やラベルが必要であり、運転姿勢に関する追加のアンケートを必要とするものもある。
これらの制限は、大規模な仮想テスト環境を作成するには適していない。
運転モデル(DM)は人間の運転スタイルをシミュレートする。
dmを校正することで、シミュレーションされた運転行動は人間の運転行動に近づいた。
従来のDM校正法は、運転中にDMのパラメータが異なることを考慮しない。
これらの「固定」校正法は実際の対話運転シナリオを反映できない。
本稿では,実車追従行動をより正確に再現するために,人間の運転スタイルを測定するdm-calibration法を提案する。
その方法には
1)人間の運転スタイルを計測・クラスタリングするための客観的エントロピー重量法、及び
2) ベイジアン最適化(BO)とゲートリカレントニューラルネットワークを組み合わせた深層学習に基づくDMパラメータのオンライン適応について検討した。
提案手法を評価するために実験を行い,その結果から,人間の運転スタイルを簡易に測定できることが示唆された。
また,仮想テスト環境では,固定校正法よりも最大26%の精度で,対応するDMを校正できることを示した。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - 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) - 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) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Exploring the trade off between human driving imitation and safety for
traffic simulation [0.34410212782758043]
運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。
両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
論文 参考訳（メタデータ） (2022-08-09T14:30:19Z) - 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) - A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through
Particle Filtering [6.9485501711137525]
本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。
この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
論文 参考訳（メタデータ） (2021-08-29T11:07:14Z) - 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) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳（メタデータ） (2020-07-10T22:25:27Z) - Deep Reinforcement Learning for Human-Like Driving Policies in Collision
Avoidance Tasks of Self-Driving Cars [1.160208922584163]
自動運転ポリシーを生成するために,モデルフリーで深層強化学習手法を導入する。
本研究では,2車線道路における静的障害物回避タスクをシミュレーションで検討する。
このアプローチが人間ライクな運転ポリシーにつながることを実証します。
論文 参考訳（メタデータ） (2020-06-07T18:20:33Z)
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。