論文の概要: Race Driver Evaluation at a Driving Simulator using a physical Model and
a Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2201.12939v1
- Date: Thu, 27 Jan 2022 07:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 19:58:51.270677
- Title: Race Driver Evaluation at a Driving Simulator using a physical Model and
a Machine Learning Approach
- Title（参考訳）: 物理モデルと機械学習を用いた運転シミュレータにおけるレースドライバの評価
- Authors: Julian von Schleinitz, Thomas Schwarzhuber, Lukas W\"orle, Michael
Graf, Arno Eichberger, Wolfgang Trutschnig and Andreas Schr\"oder
- Abstract要約: 本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。
ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。
ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
- 参考スコア（独自算出の注目度）: 1.9395755884693817
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Professional race drivers are still superior to automated systems at
controlling a vehicle at its dynamic limit. Gaining insight into race drivers'
vehicle handling process might lead to further development in the areas of
automated driving systems. We present a method to study and evaluate race
drivers on a driver-in-the-loop simulator by analysing tire grip potential
exploitation. Given initial data from a simulator run, two optimiser based on
physical models maximise the horizontal vehicle acceleration or the tire
forces, respectively. An overall performance score, a vehicle-trajectory score
and a handling score are introduced to evaluate drivers. Our method is thereby
completely track independent and can be used from one single corner up to a
large data set. We apply the proposed method to a motorsport data set
containing over 1200 laps from seven professional race drivers and two amateur
drivers whose lap times are 10-20% slower. The difference to the professional
drivers comes mainly from their inferior handling skills and not their choice
of driving line. A downside of the presented method for certain applications is
an extensive computation time. Therefore, we propose a Long-short-term memory
(LSTM) neural network to estimate the driver evaluation scores. We show that
the neural network is accurate and robust with a root-mean-square error between
2-5% and can replace the optimisation based method. The time for processing the
data set considered in this work is reduced from 68 hours to 12 seconds, making
the neural network suitable for real-time application.
- Abstract（参考訳）: プロのレースドライバーは、ダイナミックな制限で車両を制御する自動化システムよりも優れている。
レースドライバーの車両ハンドリングプロセスに関する洞察を得ることは、自動運転システムの分野でさらなる発展につながるかもしれない。
本稿では,タイヤグリップ電位を用いたドライバー・イン・ザ・ループシミュレータ上でのレースドライバの検討と評価を行う。
シミュレータからの初期データを受けて、物理的モデルに基づく2つのオプティマイザは、それぞれ水平車両加速度またはタイヤ力を最大化する。
ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。
これにより、独立性を完全に追跡し、1つのコーナーから大きなデータセットまで使用することができる。
提案手法は,プロのレースドライバー7名とアマチュアドライバー2名による1200周以上の走行速度を10～20%遅延させたモータースポーツデータに適用する。
プロのドライバーとの違いは、主に運転ラインの選択ではなく、劣るハンドリングスキルにある。
特定の応用のための提案手法の欠点は、広範囲な計算時間である。
そこで本稿では,運転者評価スコアを推定するLong-Short-term memory(LSTM)ニューラルネットワークを提案する。
ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
この作業で考慮されたデータセットを処理する時間は68時間から12秒に短縮され、ニューラルネットワークはリアルタイムアプリケーションに適している。
関連論文リスト
- FastRLAP: A System for Learning High-Speed Driving via Deep RL and
Autonomous Practicing [71.76084256567599]
本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。
我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。
結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
論文 参考訳（メタデータ） (2023-04-19T17:33:47Z) - Autonomous Slalom Maneuver Based on Expert Drivers' Behavior Using
Convolutional Neural Network [0.39146761527401425]
本稿では,畳み込みニューラルネットワーク(CNN)を用いたドライバの動作を模倣する手法を提案する。
CNNモデルは所望のハンドル角度を計算し、適応的なPDコントローラに送信する。
いくつかの試験では、提案手法は専門家のドライバーよりもスムーズな操作を行った。
論文 参考訳（メタデータ） (2023-01-18T10:47:43Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - 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) - An Adaptive Human Driver Model for Realistic Race Car Simulations [25.67586167621258]
我々は、レースドライバーの振る舞いをよりよく理解し、模倣学習に基づく適応的な人間のレースドライバーモデルを導入する。
我々のフレームワークは、ほぼ人間に近い性能で、目に見えないレーストラック上で、現実的な走行線分布を作成できることを示します。
論文 参考訳（メタデータ） (2022-03-03T18:39:50Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳（メタデータ） (2021-09-16T13:10:27Z) - Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。
Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2021-02-10T03:09:13Z) - Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap
Time Simulation Using Machine Learning [0.0]
本稿では,デスクトップ処理ハードウェア上でリアルタイムにレースラインの正確な予測を生成するための機械学習アプローチについて述べる。
ネットワークは、平均絶対誤差 +/-0.27m でレースラインを予測することができる。
論文 参考訳（メタデータ） (2021-02-03T22:34:22Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - DeepRacing: Parameterized Trajectories for Autonomous Racing [0.0]
現実的なF1環境での高速自律レースの課題を考察する。
DeepRacingは、新しいエンドツーエンドフレームワークであり、自律レースのためのアルゴリズムのトレーニングと評価のための仮想テストベッドである。
この仮想テストベッドは、スタンドアロンのC++ APIと人気のあるRobot Operating System 2 (ROS2)フレームワークへのバインディングの両方として、オープンソースライセンスでリリースされている。
論文 参考訳（メタデータ） (2020-05-06T21:35:48Z)
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。