論文の概要: Encoding Integrated Decision and Control for Autonomous Driving with
Mixed Traffic Flow
- arxiv url: http://arxiv.org/abs/2110.12359v1
- Date: Sun, 24 Oct 2021 06:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 18:28:58.822714
- Title: Encoding Integrated Decision and Control for Autonomous Driving with
Mixed Traffic Flow
- Title(参考訳): 混合交通流を用いた自律走行のための統合決定と制御の符号化
- Authors: Yangang Ren, Jianhua Jiang, Jingliang Duan, Shengbo Eben Li, Dongjie
Yu, Guojian Zhan
- Abstract要約: 強化学習(Reinforcement Learning, RL)は、自律運転においてインテリジェントな運転ポリシーを実現するために広く採用されている。
本稿では,複合交通流を伴う複雑な運転タスクを処理するための符号化統合決定制御(E-IDC)を提案する。
- 参考スコア(独自算出の注目度): 5.7440882048331705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reinforcement learning (RL) has been widely adopted to make intelligent
driving policy in autonomous driving due to the self-evolution ability and
humanoid learning paradigm. Despite many elegant demonstrations of RL-enabled
decision-making, current research mainly focuses on the pure vehicle driving
environment while ignoring other traffic participants like bicycles and
pedestrians. For urban roads, the interaction of mixed traffic flows leads to a
quite dynamic and complex relationship, which poses great difficulty to learn a
safe and intelligent policy. This paper proposes the encoding integrated
decision and control (E-IDC) to handle complicated driving tasks with mixed
traffic flows, which composes of an encoding function to construct driving
states, a value function to choose the optimal path as well as a policy
function to output the control command of ego vehicle. Specially, the encoding
function is capable of dealing with different types and variant number of
traffic participants and extracting features from original driving observation.
Next, we design the training principle for the functions of E-IDC with RL
algorithms by adding the gradient-based update rules and refine the safety
constraints concerning the otherness of different participants. The
verification is conducted on the intersection scenario with mixed traffic flows
and result shows that E-IDC can enhance the driving performance, including the
tracking performance and safety constraint requirements with a large margin.
The online application indicates that E-IDC can realize efficient and smooth
driving in the complex intersection, guaranteeing the intelligence and safety
simultaneously.
- Abstract(参考訳): 強化学習(rl)は自己進化能力とヒューマノイド学習パラダイムにより、自律運転におけるインテリジェントな運転方針を実現するために広く採用されている。
RLによる意思決定のエレガントなデモは多数あるが、現在の研究は主に純粋な自動車運転環境に焦点を当て、自転車や歩行者のような他の交通参加者を無視している。
都市道路では、混合交通の流れの相互作用は、非常にダイナミックで複雑な関係につながり、安全でインテリジェントな政策を学ぶのは非常に困難である。
本稿では,運転状態を構成する符号化関数と最適経路を選択する値関数と,エゴ車両の制御コマンドを出力するポリシー関数からなる混合交通流を用いた複雑な運転タスクを処理するための符号化統合決定制御(E-IDC)を提案する。
特に、符号化機能は、異なる種類の交通参加者と異種数に対応でき、元の運転観察から特徴を抽出することができる。
次に、勾配に基づく更新ルールを追加して、RLアルゴリズムによるE-IDC関数のトレーニング原理を設計し、異なる参加者の他性に関する安全性制約を洗練する。
その結果,E-IDCは走行性能を向上し,走行性能と安全制約を高いマージンで達成できることがわかった。
オンラインアプリケーションは、E-IDCが複雑な交差点における効率的かつスムーズな運転を実現し、インテリジェンスと安全性を同時に保証できることを示している。
関連論文リスト
- DRNet: A Decision-Making Method for Autonomous Lane Changingwith Deep
Reinforcement Learning [7.2282857478457805]
DRNetは、DRLエージェントがシミュレートされた高速道路上で合理的な車線変更を行うことで、運転を学べる新しいDRLベースのフレームワークである。
我々のDRLエージェントは、衝突を起こさずに所望のタスクを学習でき、DDQNや他のベースラインモデルより優れています。
論文 参考訳(メタデータ) (2023-11-02T21:17:52Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳(メタデータ) (2023-10-19T02:49:31Z) - V2X-Lead: LiDAR-based End-to-End Autonomous Driving with
Vehicle-to-Everything Communication Integration [4.166623313248682]
本稿では,V2X(Vine-to-Everything)通信を統合したLiDARを用いたエンドツーエンド自動運転手法を提案する。
提案手法は,搭載したLiDARセンサとV2X通信データを融合させることにより,不完全な部分的観測を処理することを目的としている。
論文 参考訳(メタデータ) (2023-09-26T20:26:03Z) - Convergence of Communications, Control, and Machine Learning for Secure
and Autonomous Vehicle Navigation [78.60496411542549]
接続された自動運転車(CAV)は、交通事故におけるヒューマンエラーを低減し、道路効率を向上し、様々なタスクを実行する。これらのメリットを享受するためには、CAVが目標とする目的地へ自律的にナビゲートする必要がある。
本稿では,通信理論,制御理論,機械学習の収束を利用して,効果的なCAVナビゲーションを実現する手法を提案する。
論文 参考訳(メタデータ) (2023-07-05T21:38:36Z) - 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) - Integrated Decision and Control for High-Level Automated Vehicles by
Mixed Policy Gradient and Its Experiment Verification [10.393343763237452]
本稿では,IDC(Integrated Decision and Control)に基づく自己進化型意思決定システムを提案する。
制約付き混合ポリシー勾配 (CMPG) と呼ばれるRLアルゴリズムは、IDCの駆動ポリシーを継続的に更新するために提案される。
実験結果から, モデルに基づく手法よりも運転能力の向上が期待できることがわかった。
論文 参考訳(メタデータ) (2022-10-19T14:58:41Z) - 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) - Integrated Decision and Control at Multi-Lane Intersections with Mixed
Traffic Flow [6.233422723925688]
本稿では,混在交通流を伴う複雑な交差点を扱うための学習に基づくアルゴリズムを提案する。
まず、学習過程における緑と赤の異なる速度モデルについて検討し、有限状態マシンを用いて異なるモードの光変換を扱う。
次に, 車両, 信号機, 歩行者, 自転車にそれぞれ異なる種類の距離制約を設計し, 制約された最適制御問題をフォーミュレートする。
論文 参考訳(メタデータ) (2021-08-30T07:55:32Z) - Learning Interaction-aware Guidance Policies for Motion Planning in
Dense Traffic Scenarios [8.484564880157148]
本稿では,高密度交通シナリオにおける対話型モーションプランニングのための新しい枠組みを提案する。
我々は,他車両の協調性に関する国際的ガイダンスを提供するインタラクション対応政策であるDeep Reinforcement Learning (RL) を通じて学習することを提案する。
学習されたポリシーは、ローカル最適化ベースのプランナーを推論し、対話的な振る舞いで誘導し、他の車両が収まらない場合に安全を維持しながら、密集したトラフィックに積極的にマージする。
論文 参考訳(メタデータ) (2021-07-09T16:43:12Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z)
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。