論文の概要: Learn-to-Race Challenge 2022: Benchmarking Safe Learning and
Cross-domain Generalisation in Autonomous Racing
- arxiv url: http://arxiv.org/abs/2205.02953v1
- Date: Thu, 5 May 2022 22:31:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 12:20:00.527241
- Title: Learn-to-Race Challenge 2022: Benchmarking Safe Learning and
Cross-domain Generalisation in Autonomous Racing
- Title（参考訳）: 2022年のLearning-to-Race Challenge: 自律レースにおける安全な学習とクロスドメインの一般化のベンチマーク
- Authors: Jonathan Francis, Bingqing Chen, Siddha Ganju, Sidharth Kathpal,
Jyotish Poonganam, Ayush Shivani, Sahika Genc, Ivan Zhukov, Max Kumskoy,
Anirudh Koul, Jean Oh and Eric Nyberg
- Abstract要約: 新たにリリースされたLearning-to-Race(L2R)シミュレーションフレームワークに基づいて,自動レースバーチャルチャレンジの結果を示す。
本稿では,改良されたメトリクスとベースラインアプローチを備えた新しいL2R Task 2.0ベンチマークについて述べる。
また、L2R Autonomous Racing Virtual Challengeの初回インスタンスの配置、評価、ランキングについても概説する。
- 参考スコア（独自算出の注目度）: 12.50944966521162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the results of our autonomous racing virtual challenge, based on
the newly-released Learn-to-Race (L2R) simulation framework, which seeks to
encourage interdisciplinary research in autonomous driving and to help advance
the state of the art on a realistic benchmark. Analogous to racing being used
to test cutting-edge vehicles, we envision autonomous racing to serve as a
particularly challenging proving ground for autonomous agents as: (i) they need
to make sub-second, safety-critical decisions in a complex, fast-changing
environment; and (ii) both perception and control must be robust to
distribution shifts, novel road features, and unseen obstacles. Thus, the main
goal of the challenge is to evaluate the joint safety, performance, and
generalisation capabilities of reinforcement learning agents on multi-modal
perception, through a two-stage process. In the first stage of the challenge,
we evaluate an autonomous agent's ability to drive as fast as possible, while
adhering to safety constraints. In the second stage, we additionally require
the agent to adapt to an unseen racetrack through safe exploration. In this
paper, we describe the new L2R Task 2.0 benchmark, with refined metrics and
baseline approaches. We also provide an overview of deployment, evaluation, and
rankings for the inaugural instance of the L2R Autonomous Racing Virtual
Challenge (supported by Carnegie Mellon University, Arrival Ltd., AICrowd,
Amazon Web Services, and Honda Research), which officially used the new L2R
Task 2.0 benchmark and received over 20,100 views, 437 active participants, 46
teams, and 733 model submissions -- from 88 unique institutions, in 28
different countries. Finally, we release leaderboard results from the challenge
and provide description of the two top-ranking approaches in cross-domain model
transfer, across multiple sensor configurations and simulated races.
- Abstract（参考訳）: 我々は,自動運転における学際的な研究を奨励し,現実的なベンチマークで技術の進歩を支援することを目的とした,L2R(Learning-to-Race)シミュレーションフレームワークを新たにリリースした。
最先端の車両のテストにレースが使われるのと同様に、自律レーシングは自律的なエージェントにとって特に挑戦的な基盤となることを想定しています。
i) 複雑で急速に変化する環境において、サブ秒未満の安全クリティカルな決定をする必要がある。
(二) 認識と制御は、分布シフト、新しい道路特徴、目に見えない障害物に対して堅牢でなければならない。
この課題の主な目的は、2段階のプロセスを通じて多モード知覚に基づく強化学習エージェントの協調安全性、性能、一般化能力を評価することである。
課題の第1段階では、安全上の制約に固執しながら、自律的なエージェントができるだけ速く運転できる能力を評価する。
また,第2段階では,安全探索により未確認の競馬場に適応するようエージェントに要求する。
本稿では,改良されたメトリクスとベースラインアプローチを備えた新しいL2R Task 2.0ベンチマークについて述べる。
我々はまた、新しいl2r task 2.0ベンチマークを公式に使用し、20100ビュー以上、アクティブ参加者437名、チーム46名、モデル733名を28カ国の88のユニークな機関から受け取ったl2rautonomous racing virtual challenge(カーネギーメロン大学、asus ltd.、aicrowd、amazon web services、honda researchが支援する)の最初の例の配置、評価、ランキングの概要を提供する。
最後に、この課題からリーダーボード結果をリリースし、複数のセンサ構成とシミュレートされたレースにまたがるクロスドメインモデル転送における上位2つのアプローチについて説明する。
関連論文リスト
- Learn 2 Rage: Experiencing The Emotional Roller Coaster That Is Reinforcement Learning [5.962453678471195]
この研究は、AIcrowdが主催するLearn To Race Autonomous Racing Virtual Challenge 2022で優勝したチームの実験とソリューションの概要を示します。
Learn-to-Raceコンペティションの目的は、自動運転の安全性のメリットを達成することに焦点を当て、自動運転技術の境界を推し進めることである。
SAC(Soft Actor Critic)の変種の実装に焦点をあてた。
私たちのゴールは、視覚的特徴と幾何学的特徴のみからレースカーの非自明な制御を学習し、ピクセルを直接制御アクションにマッピングすることでした。
論文 参考訳（メタデータ） (2024-10-24T06:16:52Z) - er.autopilot 1.0: The Full Autonomous Stack for Oval Racing at High
Speeds [61.91756903900903]
インディ・オートノラティカル・チャレンジ (IAC) は、オープンホイールのレースカー上で独立して開発されたソフトウェアを使用して、前例のないスピードとヘッド・ツー・ヘッドのシナリオで競う9つの自律レースチームを集めた。
本稿では,チームTII EuroRacing (TII-ER) が使用するソフトウェアアーキテクチャについて述べる。静的障害物を避け,アクティブオーバーテイクを行い,75m/s (270 km/h) 以上の速度に達するために必要なモジュールをすべて網羅する。
総合的な結果と各モジュールのパフォーマンス、および、チームがそれぞれ2番目と3番目を置く楕円軌道上の競技の最初の2つのイベントで学んだ教訓について説明する。
論文 参考訳（メタデータ） (2023-10-27T12:52:34Z) - The 7th AI City Challenge [87.23137854688389]
AIシティチャレンジの第7版では、コンピュータビジョンと人工知能の交差点にある2つのドメインを強調している。
2023年大会には5つのトラックがあり、46カ国508チームからの参加要請が過去最高となった。
参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
論文 参考訳（メタデータ） (2023-04-15T08:02:16Z) - NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。
提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
論文 参考訳（メタデータ） (2022-11-14T17:10:53Z) - The 6th AI City Challenge [91.65782140270152]
2022年のAIシティチャレンジの4つのチャレンジトラックは、27カ国254チームからの参加要請を受けた。
参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
論文 参考訳（メタデータ） (2022-04-21T19:24:17Z) - Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。
インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。
これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
論文 参考訳（メタデータ） (2022-02-08T11:55:05Z) - Learn-to-Race: A Multimodal Control Environment for Autonomous Racing [23.798765519590734]
模擬フォーミュラ-Eスタイルのレースにおいて、L2R(Learn-to-Race)が活躍する新しい環境を紹介します。
シミュレーターと対面トレーニングフレームワークを含む我々の環境は、車両のダイナミックスとレース条件を正確にモデル化する。
次に,学習からドライブへの挑戦,フォーミュラeレース,および自動運転のためのマルチモーダル軌道予測に着想を得たl2rタスクを提案する。
論文 参考訳（メタデータ） (2021-03-22T04:03:06Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z)
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。