論文の概要: How To Not Drive: Learning Driving Constraints from Demonstration
- arxiv url: http://arxiv.org/abs/2110.00645v1
- Date: Fri, 1 Oct 2021 20:47:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:15:03.469864
- Title: How To Not Drive: Learning Driving Constraints from Demonstration
- Title（参考訳）: 運転しない方法:デモから運転制限を学ぶ
- Authors: Kasra Rezaee, Peyman Yadmellat
- Abstract要約: 本研究では,人間の運転軌跡から運動計画制約を学習するための新しい手法を提案する。
行動計画は、交通規則に従うために要求される高いレベルの意思決定に責任を負う。
運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new scheme to learn motion planning constraints from human
driving trajectories. Behavioral and motion planning are the key components in
an autonomous driving system. The behavioral planning is responsible for
high-level decision making required to follow traffic rules and interact with
other road participants. The motion planner role is to generate feasible, safe
trajectories for a self-driving vehicle to follow. The trajectories are
generated through an optimization scheme to optimize a cost function based on
metrics related to smoothness, movability, and comfort, and subject to a set of
constraints derived from the planned behavior, safety considerations, and
feasibility. A common practice is to manually design the cost function and
constraints. Recent work has investigated learning the cost function from human
driving demonstrations. While effective, the practical application of such
approaches is still questionable in autonomous driving. In contrast, this paper
focuses on learning driving constraints, which can be used as an add-on module
to existing autonomous driving solutions. To learn the constraint, the planning
problem is formulated as a constrained Markov Decision Process, whose elements
are assumed to be known except the constraints. The constraints are then
learned by learning the distribution of expert trajectories and estimating the
probability of optimal trajectories belonging to the learned distribution. The
proposed scheme is evaluated using NGSIM dataset, yielding less than 1\%
collision rate and out of road maneuvers when the learned constraints is used
in an optimization-based motion planner.
- Abstract（参考訳）: 人間の運転軌道から運動計画制約を学習する新しい手法を提案する。
行動計画と行動計画は、自律運転システムにおいて重要な要素である。
行動計画は、交通規則に従い、他の道路参加者と対話するために必要な高いレベルの意思決定に責任を負う。
運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
トラジェクトリは、スムーズ性、運動性、快適性に関連する指標に基づいてコスト関数を最適化する最適化スキームを通じて生成され、計画された行動、安全考慮、実現可能性から導かれる一連の制約を受ける。
一般的なプラクティスは、コスト関数と制約を手動で設計することだ。
近年、人間の運転デモからコスト関数を学習する研究が進められている。
効果的ではあるが、こうしたアプローチの実際的な応用は、自動運転において依然として疑わしい。
対照的に本論文では,既存の自動運転ソリューションのアドオンモジュールとして使用可能な,運転制約の学習に注目した。
制約を学習するために、計画問題は制約付きマルコフ決定過程として定式化され、その要素は制約を除いて知られていると仮定される。
制約は、専門家の軌跡分布を学習し、学習された分布に属する最適軌跡の確率を推定することによって学習される。
提案手法はNGSIMデータセットを用いて評価され, 学習制約が最適化に基づく運動プランナで使用される場合, 衝突速度が1\%未満で, 路外操作を行う。
関連論文リスト
- DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。
我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。
シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
論文 参考訳（メタデータ） (2024-09-04T16:54:31Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Differentiable Constrained Imitation Learning for Robot Motion Planning
and Control [0.26999000177990923]
我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。
モバイルロボットと自動運転アプリケーションに焦点をあてる。
移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
論文 参考訳（メタデータ） (2022-10-21T08:19:45Z) - 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) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Calibration of Human Driving Behavior and Preference Using Naturalistic
Traffic Data [5.926030548326619]
自然トラフィックデータからドライバの好みを推定するためにモデルをどのように反転させることができるかを示す。
我々のアプローチの際立った利点は、計算負担を大幅に削減することである。
論文 参考訳（メタデータ） (2021-05-05T01:20:03Z) - 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) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z) - Learning from Naturalistic Driving Data for Human-like Autonomous
Highway Driving [11.764518510841235]
自然な運転データから移動プランナのコストパラメータを学習する。
この学習は、選択された軌跡に対して、同一の交通状況下での人間の運転軌跡を近似させることにより達成される。
レーン変更決定と運動計画の両方について実験を行い、有望な結果を得る。
論文 参考訳（メタデータ） (2020-05-23T04:39:39Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳（メタデータ） (2020-03-25T16:09:54Z)
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。