論文の概要: Learning Interactive Driving Policies via Data-driven Simulation

• arxiv url: http://arxiv.org/abs/2111.12137v1
• Date: Tue, 23 Nov 2021 20:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 15:00:04.726912
• Title: Learning Interactive Driving Policies via Data-driven Simulation
• Title（参考訳）: データ駆動シミュレーションによるインタラクティブ運転政策の学習
• Authors: Tsun-Hsuan Wang, Alexander Amini, Wilko Schwarting, Igor Gilitschenski, Sertac Karaman, Daniela Rus
• Abstract要約: データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
• 参考スコア（独自算出の注目度）: 125.97811179463542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven simulators promise high data-efficiency for driving policy learning. When used for modelling interactions, this data-efficiency becomes a bottleneck: Small underlying datasets often lack interesting and challenging edge cases for learning interactive driving. We address this challenge by proposing a simulation method that uses in-painted ado vehicles for learning robust driving policies. Thus, our approach can be used to learn policies that involve multi-agent interactions and allows for training via state-of-the-art policy learning methods. We evaluate the approach for learning standard interaction scenarios in driving. In extensive experiments, our work demonstrates that the resulting policies can be directly transferred to a full-scale autonomous vehicle without making use of any traditional sim-to-real transfer techniques such as domain randomization.
• Abstract（参考訳）: データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さなデータセットには、インタラクティブな運転を学ぶ上で興味深い、困難なエッジケースがしばしば欠如しています。 そこで本研究では,ado車を用いたロバストな運転方針を学習するシミュレーション手法を提案する。 そこで本手法は,マルチエージェントインタラクションを含むポリシを学習し,最先端のポリシ学習手法によるトレーニングを可能にする。 運転における標準的なインタラクションシナリオを学習するためのアプローチを評価する。 大規模な実験では、ドメインランダム化のような従来のシミュレート・トゥ・リアルな転送手法を使わずに、結果のポリシをフルスケールの自動運転車に直接転送できることが実証された。

関連論文リスト

• Symbolic Imitation Learning: From Black-Box to Explainable Driving Policies [5.977871949434069]
  我々は、利用可能なデータセットから透明で説明可能な、一般化可能な駆動ポリシーを学ぶために、シンボリックラーニング(SIL)を導入します。 以上の結果から,SILは運転方針の解釈可能性を高めるだけでなく,運転状況の異なる適用性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-09-27T21:03:45Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• 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)
• Imitation Is Not Enough: Robustifying Imitation with Reinforcement Learning for Challenging Driving Scenarios [147.16925581385576]
  シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。 都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
  論文  参考訳（メタデータ） (2022-12-21T23:59:33Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• 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)
• Urban Driver: Learning to Drive from Real-world Demonstrations Using Policy Gradients [7.58363583085932]
  本研究では,実世界における大規模な実証実験から,複雑な都市交通の模倣政策を学習するためのオフラインポリシー手法を提案する。 これは、知覚出力と高忠実度HDマップの上に、微分可能なデータ駆動シミュレータを構築することで実現される。 提案手法は,都市道路における100時間にわたる専門家による実証実験に基づいて学習し,複雑な運転方針を学習し,多種多様な運転操作を行えることを示す。
  論文  参考訳（メタデータ） (2021-09-27T20:19:18Z)
• Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
  本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。 私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2021-03-22T13:42:11Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Lane-Merging Using Policy-based Reinforcement Learning and Post-Optimization [0.0]
  政策に基づく強化学習と局所最適化を組み合わせることで,2つの方法論のベストプラクティスを育成,合成する。 車両数の異なる車線変更シナリオを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-03-06T12:57:25Z)

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。