Fugu-MT 論文翻訳(概要): Lane Change Decision-Making through Deep Reinforcement Learning

論文の概要: Lane Change Decision-Making through Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2112.14705v1
Date: Fri, 24 Dec 2021 01:36:15 GMT
ステータス: 処理完了
システム内更新日: 2022-01-02 08:26:57.481412
Title: Lane Change Decision-Making through Deep Reinforcement Learning
Title（参考訳）: 深層強化学習によるレーン変更決定-
Authors: Mukesh Ghimire, Malobika Roy Choudhury, Guna Sekhar Sai Harsha Lagudu
Abstract要約: レーン変更の決定には、Deep Q-Networkとルールベースの制約を使用します。高レベルの側方決定と低レベルの規則に基づく軌道監視を組み合わせることで、安全かつ効率的な車線変更挙動を得ることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Due to the complexity and volatility of the traffic environment, decision-making in autonomous driving is a significantly hard problem. In this project, we use a Deep Q-Network, along with rule-based constraints to make lane-changing decision. A safe and efficient lane change behavior may be obtained by combining high-level lateral decision-making with low-level rule-based trajectory monitoring. The agent is anticipated to perform appropriate lane-change maneuvers in a real-world-like udacity simulator after training it for a total of 100 episodes. The results shows that the rule-based DQN performs better than the DQN method. The rule-based DQN achieves a safety rate of 0.8 and average speed of 47 MPH
Abstract（参考訳）: 交通環境の複雑さとボラティリティのため、自動運転における意思決定は極めて難しい問題である。このプロジェクトでは、Deep Q-Networkとルールベースの制約を使ってレーン変更の意思決定を行います。安全かつ効率的な車線変更挙動は、高レベル側方意思決定と低レベルルールに基づく軌道監視を組み合わせることで得られる。エージェントは、100エピソードのトレーニングを経て、現実世界のような大都市シミュレーターで適切な車線変更操作を行うことが期待されている。その結果,ルールベースDQNはDQN法よりも優れた性能を示した。規則に基づくDQNは、0.8の安全率、平均速度47MPHを達成する

関連論文リスト

Implicit Sensing in Traffic Optimization: Advanced Deep Reinforcement Learning Techniques [4.042717292629285]
本稿では,Deep Reinforcement Learning(DRL)に基づく車追従・車線変更決定制御システムを提案する。我々は、よく知られたDQNアルゴリズムを用いてRLエージェントを訓練し、適切な判断を下す。提案したモデルの性能を,エプシロン・グレーディ・ポリシーとボルツマン・ポリシーの2つのポリシーで評価する。
論文参考訳（メタデータ） (2023-09-25T15:33:08Z)
DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文参考訳（メタデータ） (2023-06-13T05:58:57Z)
iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文参考訳（メタデータ） (2023-06-09T20:12:02Z)
Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文参考訳（メタデータ） (2023-03-21T22:55:51Z)
Deep Q-Network Based Decision Making for Autonomous Driving [1.0152838128195467]
本稿では,Q-Networksと制御理論からの洞察を組み合わせることで,高速道路のシナリオで自動運転車を安全にナビゲートする方法を提案する。ディープQネットワークは、軌道プランナーの目標を提案することにより、中心的な意思決定ユニットとして機能するようにシミュレーションで訓練される。経年移動のための制御装置と組み合わせて生成された軌道を用いて車線変更操作を行う。
論文参考訳（メタデータ） (2023-03-21T07:01:22Z)
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)
Risk-Aware Lane Selection on Highway with Dynamic Obstacles [18.24314781032556]
コストに配慮したリアルタイムレーン選択アルゴリズムとモジュール設計を提案します。アルゴリズムは、連続時間と空間領域の下で他の車両の不確定な動的位置を評価する検索ベースの最適化方法です。
論文参考訳（メタデータ） (2021-04-08T22:54:27Z)
Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文参考訳（メタデータ） (2020-11-21T09:43:50Z)
Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
論文参考訳（メタデータ） (2020-10-19T13:09:14Z)
Decision-making Strategy on Highway for Autonomous Vehicles using Deep Reinforcement Learning [6.298084785377199]
高速道路のオーバーテイク行動に対処するため、自動車の深層強化学習(DRL)対応意思決定ポリシーを構築した。これらの車両を制御するために階層的な制御フレームワークが提示され、上層部が運転決定を管理することを示す。 DDQNをベースとしたオーバーテイク政策は、ハイウェイ運転のタスクを効率的かつ安全に達成することができた。
論文参考訳（メタデータ） (2020-07-16T23:41:48Z)
Automated Lane Change Strategy using Proximal Policy Optimization-based Deep Reinforcement Learning [10.909595997847443]
レーン変更操作は、一般に、特定のルーティング計画に従い、遅い車両を乗り越え、前方のマージレーンに適応するなど、ドライバによって実行される。本研究では,近位政策最適化に基づく深層強化学習を用いた自動車線変更戦略を提案する。訓練されたエージェントは、車線変更決定を行うためのスムーズで安全で効率的な運転ポリシーを学ぶことができる。
論文参考訳（メタデータ） (2020-02-07T08:43:34Z)

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。