論文の概要: Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles

• arxiv url: http://arxiv.org/abs/2112.14710v1
• Date: Sun, 26 Dec 2021 23:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-31 09:05:30.344427
• Title: Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles
• Title（参考訳）: 安全クリティカルな自動運転車のための並列・ランダムな対向模倣学習
• Authors: Won Joon Yun, MyungJae Shin, Soyi Jung, Sean Kwon, and Joongheon Kim
• Abstract要約: 運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。 本稿では,RAILアルゴリズムを提案する。 提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
• 参考スコア（独自算出の注目度）: 11.463476667274051
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-driving cars and autonomous driving research has been receiving considerable attention as major promising prospects in modern artificial intelligence applications. According to the evolution of advanced driver assistance system (ADAS), the design of self-driving vehicle and autonomous driving systems becomes complicated and safety-critical. In general, the intelligent system simultaneously and efficiently activates ADAS functions. Therefore, it is essential to consider reliable ADAS function coordination to control the driving system, safely. In order to deal with this issue, this paper proposes a randomized adversarial imitation learning (RAIL) algorithm. The RAIL is a novel derivative-free imitation learning method for autonomous driving with various ADAS functions coordination; and thus it imitates the operation of decision maker that controls autonomous driving with various ADAS functions. The proposed method is able to train the decision maker that deals with the LIDAR data and controls the autonomous driving in multi-lane complex highway environments. The simulation-based evaluation verifies that the proposed method achieves desired performance.
• Abstract（参考訳）: 自動運転車と自動運転の研究は、現代の人工知能の応用において大きな期待を抱いている。 高度運転支援システム(ADAS)の進化により、自動運転車と自律運転システムの設計は複雑で安全性に欠かせないものとなる。 一般に、インテリジェントシステムはADAS機能を同時にかつ効率的に活性化する。 したがって、運転システムを安全に制御するために、信頼性の高いADAS機能連携を検討することが不可欠である。 この問題に対処するため,本稿では,ランダムな対逆模倣学習(RAIL)アルゴリズムを提案する。 このレールは、様々なadas関数が協調する自律運転のための新しいデリバティブフリー模倣学習手法であり、様々なadas関数による自律運転を制御する意思決定者の操作を模倣する。 提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。 シミュレーションに基づく評価により,提案手法が望ましい性能が得られることを確認した。

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)
• 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)
• DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
  本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。 このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
  論文  参考訳（メタデータ） (2024-01-08T03:06:02Z)
• NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system [0.0]
  本稿では,自動車システムの独特な制約と特性を考慮した自律運転システムを提案する。 提案システムは、自律運転における複雑なデータフローを体系的に分析し、ディープラーニングモデルに影響を与える様々な要因を動的に調整する機能を提供する。
  論文  参考訳（メタデータ） (2023-12-15T07:51:20Z)
• A Language Agent for Autonomous Driving [31.359413767191608]
  本稿では,人間のような知性を自律運転システムに統合するためのパラダイムシフトを提案する。 当社のアプローチはAgent-Driverと呼ばれ,汎用ツールライブラリを導入して,従来の自律走行パイプラインを変革する。 LLM(Large Language Models)によって駆動されるエージェントドライブには直感的な常識と堅牢な推論能力が備わっています。
  論文  参考訳（メタデータ） (2023-11-17T18:59:56Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Explaining Autonomous Driving Actions with Visual Question Answering [3.0072636355661277]
  本稿では,質問応答に基づく因果推論を用いた運転行動の説明を行う視覚質問応答(VQA)フレームワークを提案する。 実証的な結果は、VQAメカニズムが自動運転車のリアルタイム意思決定を支援することを示唆している。
  論文  参考訳（メタデータ） (2023-07-19T18:37:57Z)
• 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)
• 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)
• Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving [1.995792341399967]
  マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。 提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
  論文  参考訳（メタデータ） (2021-05-13T19:17:30Z)
• 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)

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。