論文の概要: Adversarial Deep Reinforcement Learning for Trustworthy Autonomous Driving Policies

• arxiv url: http://arxiv.org/abs/2112.11937v1
• Date: Wed, 22 Dec 2021 15:00:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 15:05:38.357950
• Title: Adversarial Deep Reinforcement Learning for Trustworthy Autonomous Driving Policies
• Title（参考訳）: 信頼に足る自律運転政策のための敵対的深層強化学習
• Authors: Aizaz Sharif, Dusica Marijan
• Abstract要約: 我々は、自動運転車の深い強化学習ポリシーの改善を支援するために、敵対的な例が利用できることを示した。 高忠実度都市運転シミュレーション環境と視覚ベース運転エージェントを用いて、敵プレイヤーを用いて再訓練した自動運転車が、その運転ポリシーの性能を著しく向上させることを実証した。
• 参考スコア（独自算出の注目度）: 5.254093731341154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning is widely used to train autonomous cars in a simulated environment. Still, autonomous cars are well known for being vulnerable when exposed to adversarial attacks. This raises the question of whether we can train the adversary as a driving agent for finding failure scenarios in autonomous cars, and then retrain autonomous cars with new adversarial inputs to improve their robustness. In this work, we first train and compare adversarial car policy on two custom reward functions to test the driving control decision of autonomous cars in a multi-agent setting. Second, we verify that adversarial examples can be used not only for finding unwanted autonomous driving behavior, but also for helping autonomous driving cars in improving their deep reinforcement learning policies. By using a high fidelity urban driving simulation environment and vision-based driving agents, we demonstrate that the autonomous cars retrained using the adversary player noticeably increase the performance of their driving policies in terms of reducing collision and offroad steering errors.
• Abstract（参考訳）: 深層強化学習は、シミュレーション環境で自動運転車の訓練に広く利用されている。 それでも、自動運転車は敵の攻撃にさらされると脆弱であることが知られている。 これは、自律走行車における障害シナリオを見つけるための駆動エージェントとして敵を訓練し、その堅牢性を改善するために新しい敵入力で自動運転車を再訓練できるかどうかという疑問を提起する。 本研究は,複数エージェント環境での自律走行車の運転制御決定をテストするために,2つの特注報酬関数の対向車ポリシーを訓練し比較するものである。 第二に、敵の例は、望ましくない自動運転行動を見つけるだけでなく、自動運転車が深い強化学習ポリシーを改善するのを助けるためにも利用できることを検証する。 高忠実度都市運転シミュレーション環境と視覚ベース運転エージェントを用いて、敵プレイヤーを用いて再訓練した自動運転車は、衝突やオフロードステアリングエラーの低減の観点から、運転ポリシーの性能を著しく向上させることを示した。

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)
• Physical Backdoor Attack can Jeopardize Driving with Vision-Large-Language Models [53.701148276912406]
  Vision-Large-Language-models (VLMs) は自動運転において大きな応用可能性を持っている。 BadVLMDriverは、物理的オブジェクトを使用して実際に起動できる自動運転のためのVLMに対する最初のバックドア攻撃である。 BadVLMDriverは、赤い風船を持った歩行者に突如、加速を誘導する攻撃の成功率を92%達成する。
  論文  参考訳（メタデータ） (2024-04-19T14:40:38Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning [9.92963228768333]
  強化学習は、ビデオゲームのような複雑な領域で最高の人間よりも優れていることが実証されている。 自律運転のための大規模強化学習実験を行っている。 我々の最高の実行方針は、最先端の機械学習による自律運転のポリシーと比較して、運転進捗率を25%向上させながら、失敗率を64%削減します。
  論文  参考訳（メタデータ） (2023-12-23T00:07:06Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• Robust Driving Policy Learning with Guided Meta Reinforcement Learning [49.860391298275616]
  本稿では,ソーシャルカーの多種多様な運転方針を一つのメタ政治として訓練する効率的な方法を提案する。 ソーシャルカーのインタラクションに基づく報酬関数をランダム化することにより、多様な目的を生み出し、メタ政治を効率的に訓練することができる。 本研究では,社会自動車が学習メタ政治によって制御される環境を利用して,エゴ自動車の運転方針の堅牢性を高めるためのトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-19T17:42:36Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Safe Trajectory Planning Using Reinforcement Learning for Self Driving [21.500697097095408]
  自動運転車の軌道計画段階におけるモデルフリー強化学習を提案する。 このアプローチにより、自動運転のタスクに必要な安全で汎用的で快適な方法で車を操作することができることを示す。
  論文  参考訳（メタデータ） (2020-11-09T19:29:14Z)
• Driving Tasks Transfer in Deep Reinforcement Learning for Decision-making of Autonomous Vehicles [6.578495322360851]
  本稿では,区間間環境における運転タスクを変換するための伝達深度強化学習フレームワークを構築した。 自走自走車(AEV)の目標は、交差点の状況を効率的かつ安全に通り抜けることである。 同様のタスクに関連する意思決定戦略は、転送可能である。
  論文  参考訳（メタデータ） (2020-09-07T17:34:01Z)
• Training Adversarial Agents to Exploit Weaknesses in Deep Control Policies [47.08581439933752]
  対戦型強化学習に基づく自動ブラックボックステストフレームワークを提案する。 提案手法は, オンラインテストにおいて明らかでないコントロールポリシの両方において, 弱点を見出すことができることを示す。
  論文  参考訳（メタデータ） (2020-02-27T13:14:53Z)

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。