論文の概要: An Independent Study of Reinforcement Learning and Autonomous Driving

• arxiv url: http://arxiv.org/abs/2110.07729v1
• Date: Fri, 20 Aug 2021 23:46:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 22:54:27.986076
• Title: An Independent Study of Reinforcement Learning and Autonomous Driving
• Title（参考訳）: 強化学習と自律運転の独立研究
• Authors: Hanzhi Yang
• Abstract要約: 表層環境のQ-ラーニングアルゴリズムについて検討し,その手法をタクシーのOpenAi Gym環境に適用した。 次に,Cart-Pole環境における深層Q-networkアルゴリズムの理解と実装を行った。 高速道路のジャム環境を利用して荒々しい自律運転エージェントを訓練し,報酬関数などの環境構成がエージェント訓練性能に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reinforcement learning has become one of the most trending subjects in the recent decade. It has seen applications in various fields such as robot manipulations, autonomous driving, path planning, computer gaming, etc. We accomplished three tasks during the course of this project. Firstly, we studied the Q-learning algorithm for tabular environments and applied it successfully to an OpenAi Gym environment, Taxi. Secondly, we gained an understanding of and implemented the deep Q-network algorithm for Cart-Pole environment. Thirdly, we also studied the application of reinforcement learning in autonomous driving and its combination with safety check constraints (safety controllers). We trained a rough autonomous driving agent using highway-gym environment and explored the effects of various environment configurations like reward functions on the agent training performance.
• Abstract（参考訳）: 強化学習は、この10年でもっともトレンドとなっている科目の一つとなっている。 ロボット操作、自律運転、経路計画、コンピュータゲームなど、さまざまな分野で応用されている。 私たちはこのプロジェクトの過程で3つの仕事を成し遂げた。 まず,表環境のq-learningアルゴリズムを検討した結果,openaiジム環境である taxi に適用した。 次に,カートポール環境におけるディープqネットワークアルゴリズムの理解と実装を行った。 第3に,自律運転における強化学習の適用と安全チェック制約(安全制御装置)の併用についても検討した。 高速道路ギム環境を用いた大雑把な自律運転エージェントを訓練し,報奨機能などの環境構成がエージェントの訓練性能に及ぼす影響について検討した。

関連論文リスト

• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• 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)
• Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation [0.0]
  我々は、Deep Q-Learningを使用して、自動運転車が他の車両を避けながら、最高速度で車線を維持できるポリシーを学ぶ。 その後、我々はCARLAシミュレーション環境を使用して、新たに取得したポリシーをテストし、検証した。
  論文  参考訳（メタデータ） (2023-06-20T00:54:20Z)
• A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
  深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。 機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
  論文  参考訳（メタデータ） (2022-08-16T17:37:36Z)
• 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)
• An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
  本稿では,インテリジェントな自動運転トラックシステムについて紹介する。 提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。 また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
  論文  参考訳（メタデータ） (2021-12-31T04:54:13Z)
• Evaluating the Robustness of Deep Reinforcement Learning for Autonomous Policies in a Multi-agent Urban Driving Environment [3.8073142980733]
  視覚に基づく自律運転における深層強化学習の比較のためのベンチマークフレームワークを提案する。 この実験は、視覚のみの高忠実度都市運転模擬環境で実施する。 その結果, 深層強化学習アルゴリズムのいくつかは, シングルエージェントとマルチエージェントのシナリオで一貫した性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-12-22T15:14:50Z)
• SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for Autonomous Driving [96.50297622371457]
  マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。 研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。 SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
  論文  参考訳（メタデータ） (2020-10-19T18:26:10Z)
• Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies [12.775642557933908]
  これはディープラーニング手法を用いた自動運転技術のサーベイである。 本稿では,認識,マッピングとローカライゼーション,予測,計画と制御,シミュレーション,V2X,安全性など,自動運転システムの主要な分野について検討する。
  論文  参考訳（メタデータ） (2020-06-10T22:21:57Z)
• Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning [32.97789225998642]
  本稿では,エンドツーエンド自動運転のための解釈可能な深部強化学習手法を提案する。 逐次潜在環境モデルを導入し、強化学習プロセスと共同で学習する。 本手法は,自動車が運転環境にどう影響するかを,よりよく説明することができる。
  論文  参考訳（メタデータ） (2020-01-23T18:36:35Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。