論文の概要: An Adaptive Human Driver Model for Realistic Race Car Simulations
- arxiv url: http://arxiv.org/abs/2203.01909v1
- Date: Thu, 3 Mar 2022 18:39:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 17:05:02.973044
- Title: An Adaptive Human Driver Model for Realistic Race Car Simulations
- Title（参考訳）: リアルレースカーシミュレーションのための適応型人間ドライバーモデル
- Authors: Stefan L\"ockel, Siwei Ju, Maximilian Schaller, Peter van Vliet, Jan
Peters
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.67586167621258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Engineering a high-performance race car requires a direct consideration of
the human driver using real-world tests or Human-Driver-in-the-Loop
simulations. Apart from that, offline simulations with human-like race driver
models could make this vehicle development process more effective and efficient
but are hard to obtain due to various challenges. With this work, we intend to
provide a better understanding of race driver behavior and introduce an
adaptive human race driver model based on imitation learning. Using existing
findings and an interview with a professional race engineer, we identify
fundamental adaptation mechanisms and how drivers learn to optimize lap time on
a new track. Subsequently, we use these insights to develop generalization and
adaptation techniques for a recently presented probabilistic driver modeling
approach and evaluate it using data from professional race drivers and a
state-of-the-art race car simulator. We show that our framework can create
realistic driving line distributions on unseen race tracks with almost
human-like performance. Moreover, our driver model optimizes its driving lap by
lap, correcting driving errors from previous laps while achieving faster lap
times. This work contributes to a better understanding and modeling of the
human driver, aiming to expedite simulation methods in the modern vehicle
development process and potentially supporting automated driving and racing
technologies.
- Abstract（参考訳）: ハイパフォーマンスレースカーのエンジニアリングには、実世界のテストや人力運転のシミュレーションを用いて、人間のドライバーを直接考慮する必要がある。
それとは別に、人間のようなレースドライバーモデルによるオフラインシミュレーションは、この車両開発プロセスをより効率的かつ効率的にするが、様々な課題のために入手するのは難しい。
本研究は,レースドライバーの行動をよりよく理解し,模倣学習に基づく適応型人間ドライバーモデルを導入することを目的としている。
既存の発見とプロのレースエンジニアとのインタビューを用いて、基本的な適応メカニズムと、ドライバーが新しいトラックでラップタイムを最適化する方法を識別する。
次に,これらの知見を用いて,最近提示した確率的ドライバモデリング手法の一般化と適応手法を開発し,プロのレースドライバーと最先端のレースカーシミュレータのデータを用いて評価する。
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。
さらに, ドライバーモデルでは, 走行ラップを1周ずつ最適化し, 先行ラップからの走行誤差を補正し, 高速ラップタイムを実現している。
この研究は、現代の車両開発プロセスにおけるシミュレーション手法の迅速化と、自動走行およびレース技術のサポートを目的とした、人間のドライバーの理解とモデリングに寄与する。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳（メタデータ） (2024-04-30T23:18:51Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes [0.0]
本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。
人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築した。
論文 参考訳（メタデータ） (2023-06-06T04:53:06Z) - 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) - Race Driver Evaluation at a Driving Simulator using a physical Model and
a Machine Learning Approach [1.9395755884693817]
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。
論文 参考訳（メタデータ） (2022-01-27T07:32:32Z) - Autonomous Overtaking in Gran Turismo Sport Using Curriculum
Reinforcement Learning [39.757652701917166]
本研究では,自律オーバーテイク問題に対する新たな学習手法を提案する。
カーレースシミュレーターであるGran Turismo Sportによるアプローチの評価を行った。
論文 参考訳（メタデータ） (2021-03-26T18:06:50Z) - 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) - Learning from Simulation, Racing in Reality [126.56346065780895]
ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。
シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
論文 参考訳（メタデータ） (2020-11-26T14:58:49Z) - Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement
Learning [39.719051858649216]
高忠実度物理カーシミュレーションを利用した自律走行車レース学習システムを提案する。
私たちは、異なるレースカーとトラックのリアルな物理シミュレーションで知られている世界主導の自動車シミュレータであるGran Turismo Sportにシステムをデプロイしました。
私たちのトレーニングされたポリシーは、組み込みAIによってこれまで達成された以上の自律的なレースパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2020-08-18T15:06:44Z)
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。