論文の概要: Speeding up deep neural network-based planning of local car maneuvers via efficient B-spline path construction

• arxiv url: http://arxiv.org/abs/2203.06963v1
• Date: Mon, 14 Mar 2022 09:54:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 14:38:13.970185
• Title: Speeding up deep neural network-based planning of local car maneuvers via efficient B-spline path construction
• Title（参考訳）: 効率的なbスプライン経路構築による深層ニューラルネットワークによる局所走行計画の高速化
• Authors: Piotr Kicki, Piotr Skrzypczy\'nski
• Abstract要約: 約11ミリ秒のほぼ一定時間で局所的な操作を生成できる新しいB-スプラインパス構築法を提案する。 我々は,最新のベンチMRフレームワークを用いた新しいプランナーを徹底的に評価し,提案手法が最先端プランナーよりも大きなマージンで優れていることを示す定量的結果を得た。
• 参考スコア（独自算出の注目度）: 3.9596068699962323
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper demonstrates how an efficient representation of the planned path using B-splines, and a construction procedure that takes advantage of the neural network's inductive bias, speed up both the inference and training of a DNN-based motion planner. We build upon our recent work on learning local car maneuvers from past experience using a DNN architecture, introducing a novel B-spline path construction method, making it possible to generate local maneuvers in almost constant time of about 11 ms, respecting a number of constraints imposed by the environment map and the kinematics of a car-like vehicle. We evaluate thoroughly the new planner employing the recent Bench-MR framework to obtain quantitative results showing that our method outperforms state-of-the-art planners by a large margin in the considered task.
• Abstract（参考訳）: 本稿では,b-スプラインを用いた計画経路の効率的な表現と,ニューラルネットワークの帰納的バイアスを利用して,dnnベースのモーションプランナーの推論とトレーニングの両方を高速化する構築手順を示す。 我々は,dnnアーキテクチャを用いた過去の経験からローカルカー操作を学習する最近の研究に基づいて,新しいb-splineパス構築法を導入して,環境マップと車型車両のキネマティクスに課される多くの制約を考慮し,約11msのほぼ一定時間でローカルカー操作を生成できるようにした。 我々は,最新のベンチ・MRフレームワークを用いた新しいプランナーを徹底的に評価し,提案手法が検討課題における大きなマージンで最先端プランナーより優れていることを示す定量的結果を得た。

関連論文リスト

• Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking [3.750010944080163]
  本稿では,モンテカルロ木探索を用いた強化学習パイプラインを提案する。 状態の価値を反復的に学習することにより、与えられた状態に対する値推定器とポリシー生成器をモデル化することができる。
  論文  参考訳（メタデータ） (2024-03-25T22:21:23Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
  本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
  論文  参考訳（メタデータ） (2023-01-18T11:02:06Z)
• AL-iGAN: An Active Learning Framework for Tunnel Geological Reconstruction Based on TBM Operational Data [70.99694324397903]
  地下トンネル掘削機 (TBM) では, トンネル内に分布する岩盤のタイプを正確に記述することで, 建設リスクを低減できる。 TBM操作データに基づくトンネル地質復元のためのアクティブラーニングフレームワークAL-iGANを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:39:58Z)
• Neural Motion Planning for Autonomous Parking [6.1805402105389895]
  本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。 提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
  論文  参考訳（メタデータ） (2021-11-12T14:29:38Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• Learning from Experience for Rapid Generation of Local Car Maneuvers [9.621143711575543]
  本研究では,DNN(Deep Neural Network)を訓練し,運動的制約のある車両に実現可能で最適に近い経路を計画することを提案する。 本モデルは,新しい弱い教師付きアプローチと勾配に基づくポリシー探索を用いて学習する。 経路生成時間はおよそ40ミリ秒であるが、生成された経路はスムーズで、従来の経路プランナーと同等である。
  論文  参考訳（メタデータ） (2020-12-07T14:05:45Z)
• Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs) [61.94975011711275]
  そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。 提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。 提案手法を様々なシミュレーション環境で検証した。
  論文  参考訳（メタデータ） (2020-08-29T09:55:49Z)
• A Self-Supervised Learning Approach to Rapid Path Planning for Car-Like Vehicles Maneuvering in Urban Environment [3.867363075280544]
  本稿では、勾配に基づく自己教師付き学習アルゴリズムを用いて、実現可能な経路を予測する、新しいニューラルネットワークによる経路計画手法を提案する。 このアプローチは過去に得られた経験を強く活用し、操舵角度が制限された車のような車両の実行可能な操縦計画を迅速に得る。
  論文  参考訳（メタデータ） (2020-03-02T14:48:29Z)

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。