論文の概要: Enhanced Behavioral Cloning with Environmental Losses for Self-Driving
Vehicles
- arxiv url: http://arxiv.org/abs/2202.09271v1
- Date: Fri, 4 Feb 2022 10:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:36:37.937123
- Title: Enhanced Behavioral Cloning with Environmental Losses for Self-Driving
Vehicles
- Title(参考訳): 環境損失を考慮した自動運転車の行動クローニング
- Authors: Nelson Fernandez Pinto and Thomas Gilles
- Abstract要約: 行動クローニングに関する最近の研究は、複雑な運転シナリオを扱うのに専門家の観察を単純に模倣するだけでは不十分であることを示している。
本稿では,経路計画におけるリスクのある社会的相互作用をモデル化するための,社会的損失と道路損失という一連の損失関数を提案する。
本手法を大規模都市運転データセットで検証した。
- 参考スコア(独自算出の注目度): 1.468677167874397
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learned path planners have attracted research interest due to their ability
to model human driving behavior and rapid inference. Recent works on behavioral
cloning show that simple imitation of expert observations is not sufficient to
handle complex driving scenarios. Besides, predictions that land outside
drivable areas can lead to potentially dangerous situations. This paper
proposes a set of loss functions, namely Social loss and Road loss, which
account for modelling risky social interactions in path planning. These losses
act as a repulsive scalar field that surrounds non-drivable areas. Predictions
that land near these regions incur in a higher training cost, which is
minimized using backpropagation. This methodology provides additional
environment feedback to the traditional supervised learning set up. We
validated this approach on a large-scale urban driving dataset. The results
show the agent learns to imitate human driving while exhibiting better safety
metrics. Furthermore, the proposed methodology has positive effects on
inference without the need to artificially generate unsafe driving examples.
The explanability study suggests that the benefits obtained are associated with
a higher relevance of non-drivable areas in the agent's decisions compared to
classical behavioral cloning.
- Abstract(参考訳): 学習パスプランナーは、人間の運転行動と迅速な推論をモデル化する能力から研究の関心を集めている。
行動クローニングに関する最近の研究は、複雑な運転シナリオを扱うのに専門家観察の単純な模倣は不十分であることを示している。
さらに、乾燥可能な地域の外に着陸する予測は、潜在的に危険な状況を引き起こす可能性がある。
本稿では,経路計画におけるリスクの高い社会的相互作用のモデル化を考慮し,社会損失と道路損失という一連の損失関数を提案する。
これらの損失は、非乾燥領域を取り囲む反発スカラー場として作用する。
これらの地域の近傍に上陸する予測は、バックプロパゲーションによって最小限に抑えられる訓練コストが高い。
この方法論は、従来の教師付き学習セットアップに追加の環境フィードバックを提供する。
このアプローチを大規模都市運転データセットで検証した。
その結果、エージェントは、より優れた安全性指標を示しながら、人間の運転を模倣することを学びます。
さらに,提案手法は,安全でない運転例を人工的に生成することなく,推論に肯定的な影響を与える。
説明可能性の研究は、得られた利点は、従来の行動のクローニングと比較して、エージェントの決定における非乾燥領域の関連性が高いことを示唆している。
関連論文リスト
- Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。
本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。
これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
論文 参考訳(メタデータ) (2024-07-17T09:45:27Z) - Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space [3.487370856323828]
本研究は,モデルフリーDRLアルゴリズムのトレーニングにおいて,予測歩行者状態の不確かさを取り入れた統合予測と計画手法を導入する。
新たな報酬関数により、AVは歩行者の個人的な空間を尊重し、接近中の速度を減少させ、予測された経路との衝突確率を最小化する。
その結果, 衝突速度は40%減少し, 予測の不確実性を考慮しない技術モデルと比較すると, 歩行者との距離は15%増加した。
論文 参考訳(メタデータ) (2024-05-22T20:09:21Z) - Interpretable Goal-Based model for Vehicle Trajectory Prediction in
Interactive Scenarios [4.1665957033942105]
自動車とその周囲の社会的相互作用は、自動運転における道路安全にとって重要である。
対話型環境における車両軌道予測のためのニューラルネットワークモデルを提案する。
我々は、InterActionデータセットを用いてモデルを実装し、評価し、提案したアーキテクチャの有効性を実証する。
論文 参考訳(メタデータ) (2023-08-08T15:00:12Z) - Simulation-Based Counterfactual Causal Discovery on Real World Driver
Behaviour [6.273003557777915]
本稿では,提案手法の3つの変種について述べる。
実世界の運転データセットから抽出した3396件の因果的シーンの観察的時間的因果的発見手法の状況に対する評価を行った。
論文 参考訳(メタデータ) (2023-06-06T02:10:20Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳(メタデータ) (2023-04-23T16:01:36Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳(メタデータ) (2022-11-01T11:07:37Z) - Mathematical Models of Human Drivers Using Artificial Risk Fields [8.074019565026544]
我々は、人間の運転者が今後の道路状況に応じてどのように車両を制御するかを予測するために、人工リスクフィールドの概念を用いる。
リスクフィールドは、最大20秒の予測地平線において、高い予測精度で将来の軌道を予測するのに優れている。
論文 参考訳(メタデータ) (2022-05-24T15:39:01Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - Prediction by Anticipation: An Action-Conditional Prediction Method
based on Interaction Learning [23.321627835039934]
潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。
このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。
提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
論文 参考訳(メタデータ) (2020-12-25T01:39:26Z) - Social NCE: Contrastive Learning of Socially-aware Motion
Representations [87.82126838588279]
実験結果から, 提案手法は最近の軌道予測, 行動クローニング, 強化学習アルゴリズムの衝突速度を劇的に低減することがわかった。
本手法は,ニューラルネットワークの設計に関する仮定をほとんど示さないため,神経運動モデルのロバスト性を促進する汎用的手法として使用できる。
論文 参考訳(メタデータ) (2020-12-21T22:25:06Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。