論文の概要: Towards Autonomous Driving of Personal Mobility with Small and Noisy
Dataset using Tsallis-statistics-based Behavioral Cloning
- arxiv url: http://arxiv.org/abs/2111.14294v1
- Date: Mon, 29 Nov 2021 01:56:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 18:33:00.529185
- Title: Towards Autonomous Driving of Personal Mobility with Small and Noisy
Dataset using Tsallis-statistics-based Behavioral Cloning
- Title（参考訳）: tsallis-statisticsに基づく行動クローンを用いた小型・騒音データセットによる個人移動の自律運転
- Authors: Taisuke Kobayashi and Takahito Enomoto
- Abstract要約: 本研究は、小型でノイズの多い、いわゆるパーソナル・データセットを用いた、パーソナル・モビリティのための自律運転方式に焦点を当てた。
具体的には、Tsallis統計に基づく新しい損失関数を導入し、元の損失関数に依存する勾配を重み付けする。
さらに、ドライバとコントローラが同じ関心領域を持つかどうかを検証するために、可視化技術を改善する。
- 参考スコア（独自算出の注目度）: 1.7970523486905976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving has made great progress and been introduced in practical
use step by step. On the other hand, the concept of personal mobility is also
getting popular, and its autonomous driving specialized for individual drivers
is expected for a new step. However, it is difficult to collect a large driving
dataset, which is basically required for the learning of autonomous driving,
from the individual driver of the personal mobility. In addition, when the
driver is not familiar with the operation of the personal mobility, the dataset
will contain non-optimal data. This study therefore focuses on an autonomous
driving method for the personal mobility with such a small and noisy, so-called
personal, dataset. Specifically, we introduce a new loss function based on
Tsallis statistics that weights gradients depending on the original loss
function and allows us to exclude noisy data in the optimization phase. In
addition, we improve the visualization technique to verify whether the driver
and the controller have the same region of interest. From the experimental
results, we found that the conventional autonomous driving failed to drive
properly due to the wrong operations in the personal dataset, and the region of
interest was different from that of the driver. In contrast, the proposed
method learned robustly against the errors and successfully drove automatically
while paying attention to the similar region to the driver. Attached video is
also uploaded on youtube: https://youtu.be/KEq8-bOxYQA
- Abstract（参考訳）: 自動運転は大きな進歩を遂げ、ステップバイステップで実用化されている。
一方、パーソナルモビリティの概念も普及しており、個人運転に特化した自動運転が新たなステップとして期待されている。
しかし、個人の移動手段の個々のドライバから、基本的に自動運転の学習に必要な大規模な運転データセットを収集することは困難である。
さらに、運転者がパーソナルモビリティの操作に慣れていない場合、データセットには最適なデータが含まれます。
そこで本研究では,小型でノイズの多いパーソナル・モビリティ・データセットを用いた自律運転方式に焦点を当てた。
具体的には,tsallis統計に基づく新たな損失関数を導入することで,元の損失関数に応じて勾配を重み付けし,最適化フェーズでノイズデータを排除することができる。
さらに、ドライバとコントローラが同じ関心領域を持つかどうかを検証するために、可視化技術を改善する。
実験結果から,従来の自律運転は個人データセットの誤った操作のために適切に運転できなかったこと,運転者とは異なる関心領域があることが判明した。
対照的に,提案手法は誤りに対して頑健に学習し,運転者と同様の領域に注意を払いながら自動走行を成功させた。
添付ビデオもyoutubeにアップロードされている: https://youtu.be/keq8-boxyqa
関連論文リスト
- Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳（メタデータ） (2024-07-09T04:56:11Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。
実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
論文 参考訳（メタデータ） (2024-03-28T17:19:16Z) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳（メタデータ） (2023-12-11T13:27:51Z) - Data and Knowledge for Overtaking Scenarios in Autonomous Driving [0.0]
オーバーテイク・エクササイズは、運転において最も重要な行動の1つである。
文献で利用できる作業量にもかかわらず、ほんの少しの操作しか処理できない。
この研究は、この領域に寄与し、新たな合成データセットを提示する。
論文 参考訳（メタデータ） (2023-05-30T21:27:05Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Embedding Synthetic Off-Policy Experience for Autonomous Driving via
Zero-Shot Curricula [48.58973705935691]
我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。
次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
論文 参考訳（メタデータ） (2022-12-02T18:57:21Z) - 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) - FedDrive: Generalizing Federated Learning to Semantic Segmentation in
Autonomous Driving [27.781734303644516]
フェデレートラーニングは、プライバシを保持し、何百万ものリモートデバイス上のデータを活用しながら、グローバルモデルを学ぶことを目的としている。
3つの設定と2つのデータセットからなる新しいベンチマークであるFedDriveを提案する。
我々は、詳細な分析を通じて、フェデレートされた学習文献から最先端のアルゴリズムをベンチマークする。
論文 参考訳（メタデータ） (2022-02-28T10:34:31Z) - Learning Personalized Discretionary Lane-Change Initiation for Fully
Autonomous Driving Based on Reinforcement Learning [11.54360350026252]
著者らは,完全自律走行車に対する選択車線変更開始の個別的戦術を学習する新しい方法を提案する。
交通状況や自動運転車の動作,車内ユーザのフィードバックから車線変更の開始方法を学ぶために,強化学習技術が使用されている。
論文 参考訳（メタデータ） (2020-10-29T06:21:23Z) - 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)
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。