論文の概要: Designing a Recurrent Neural Network to Learn a Motion Planner for High-Dimensional Inputs

• arxiv url: http://arxiv.org/abs/2205.04799v1
• Date: Tue, 10 May 2022 11:02:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-14 15:25:10.612242
• Title: Designing a Recurrent Neural Network to Learn a Motion Planner for High-Dimensional Inputs
• Title（参考訳）: 高次元入力のための動きプランナー学習のためのリカレントニューラルネットワークの設計
• Authors: Johnathan Chiu
• Abstract要約: 本稿では,自動運転車の計画スタックにおける機械学習の有用性を実証することを目的とする。 本論文の主な目的は、自動運転車の計画スタックにおける機械学習の潜在的利用を実証することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The use of machine learning in the self-driving industry has boosted a number of recent advancements. In particular, the usage of large deep learning models in the perception and prediction stack have proved quite successful, but there still lacks significant literature on the use of machine learning in the planning stack. The current state of the art in the planning stack often relies on fast constrained optimization or rule-based approaches. Both of these techniques fail to address a significant number of fundamental problems that would allow the vehicle to operate more similarly to that of human drivers. In this paper, we attempt to design a basic deep learning system to approach this problem. Furthermore, the main underlying goal of this paper is to demonstrate the potential uses of machine learning in the planning stack for autonomous vehicles (AV) and provide a baseline work for ongoing and future research.
• Abstract（参考訳）: 自動運転業界における機械学習の利用は、近年の進歩を加速している。 特に、認識と予測スタックにおける大規模なディープラーニングモデルの使用は、非常に成功したが、計画スタックにおける機械学習の使用に関する大きな文献は、いまだに存在しない。 計画スタックにおける現在の技術状態は、しばしば高速な制約付き最適化やルールベースのアプローチに依存します。 これらの2つの技術は、車両が人間のドライバーのそれとよく似た動作をすることを可能にする、多くの基本的な問題に対処できない。 本稿では,この問題にアプローチするための基礎的深層学習システムの設計を試みる。 さらに,本論文の主な目的は,自律走行車(AV)の計画スタックにおける機械学習の潜在的活用を実証し,現在および将来の研究のためのベースラインワークを提供することである。

関連論文リスト

• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Machine Learning for Autonomous Vehicle's Trajectory Prediction: A comprehensive survey, Challenges, and Future Research Directions [3.655021726150368]
  AVの文脈における軌道予測に関する200以上の研究について検討した。 本総説では,いくつかの深層学習手法を総合的に評価する。 既存の文献の課題を特定し,潜在的研究の方向性を概説することにより,AV軌道予測領域における知識の進歩に大きく貢献する。
  論文  参考訳（メタデータ） (2023-07-12T10:20:19Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
  配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。 機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
  論文  参考訳（メタデータ） (2022-02-28T06:28:44Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• A Survey of Deep Reinforcement Learning Algorithms for Motion Planning and Control of Autonomous Vehicles [2.7398985365813013]
  本稿では,自動運転車の運動計画と制御に強化学習(RL)を適用した研究について,現在の文献を体系的に要約する。 多くの既存のコントリビューションは、手作りのモジュールで構成され、それぞれが人間の解釈の容易さのために選択された機能を持つパイプラインアプローチに起因している。 本稿は、エンド・ツー・エンドのアプローチに該当する作業の増加傾向を示す。
  論文  参考訳（メタデータ） (2021-05-29T05:27:07Z)
• Survey of Deep Reinforcement Learning for Motion Planning of Autonomous Vehicles [0.0]
  深層強化学習(DRL) 論文では、車両モデル、シミュレーション可能性、計算要求について記述する。 自律運転のさまざまなタスクとレベルによって体系化された最先端のソリューションを調査します。
  論文  参考訳（メタデータ） (2020-01-30T09:47:22Z)

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。