論文の概要: Data generation using simulation technology to improve perception
mechanism of autonomous vehicles
- arxiv url: http://arxiv.org/abs/2207.00191v1
- Date: Fri, 1 Jul 2022 03:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 01:53:23.049685
- Title: Data generation using simulation technology to improve perception
mechanism of autonomous vehicles
- Title（参考訳）: 自動運転車の知覚メカニズム改善のためのシミュレーション技術を用いたデータ生成
- Authors: Minh Cao, Ramin Ramezani
- Abstract要約: 実世界から収集したデータと模擬世界から生成されたデータを組み合わせることで、認識システムを訓練する効果を実証する。
また,人間の学習体験をエミュレートすることを目的とした多段階深層学習知覚フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in computer graphics technology allow more realistic
ren-dering of car driving environments. They have enabled self-driving car
simulators such as DeepGTA-V and CARLA (Car Learning to Act) to generate large
amounts of synthetic data that can complement the existing real-world dataset
in training autonomous car perception. Furthermore, since self-driving car
simulators allow full control of the environment, they can generate dangerous
driving scenarios that the real-world dataset lacks such as bad weather and
accident scenarios. In this paper, we will demonstrate the effectiveness of
combining data gathered from the real world with data generated in the
simulated world to train perception systems on object detection and
localization task. We will also propose a multi-level deep learning perception
framework that aims to emulate a human learning experience in which a series of
tasks from the simple to more difficult ones are learned in a certain domain.
The autonomous car perceptron can learn from easy-to-drive scenarios to more
challenging ones customized by simulation software.
- Abstract（参考訳）: コンピュータグラフィックス技術の進歩により、自動車運転環境のより現実的なレンダリングが可能になる。
彼らは、DeepGTA-VやCARLA(Car Learning to Act)といった自動運転車シミュレーターを利用して、既存の現実世界のデータセットを補完する大量の合成データを生成する。
さらに、自動運転車シミュレーターは環境を完全に制御できるため、悪天候や事故シナリオのような現実のデータセットに欠けている危険な運転シナリオを生成することができる。
本稿では,実世界から収集したデータと模擬世界から生成したデータを組み合わせることで,物体検出および局所化タスクにおける認識システムを訓練する効果を実証する。
また,単純なタスクからより難しいタスクまで,特定の領域で一連のタスクを学習する人間学習体験をエミュレートすることを目的とした,多レベルディープラーニング知覚フレームワークを提案する。
自動運転車のパーセプトロンは、簡単に運転できるシナリオから、シミュレーションソフトウェアでカスタマイズされたより難しいシナリオまで、学習することができる。
関連論文リスト
- Learning autonomous driving from aerial imagery [67.06858775696453]
フォトグラムシミュレーターは、生成済みの資産を新しいビューに変換することによって、新しいビューを合成することができる。
我々は、ニューラルネットワーク場(NeRF)を中間表現として使用し、地上車両の視点から新しいビューを合成する。
論文 参考訳（メタデータ） (2024-10-18T05:09:07Z) - Discrete Control in Real-World Driving Environments using Deep
Reinforcement Learning [2.467408627377504]
本研究では,現実の環境をゲーム環境に移行させる,現実の運転環境におけるフレームワーク(知覚,計画,制御)を紹介する。
実環境における離散制御を学習し,実行するために,既存の強化学習(RL)アルゴリズムを多エージェント設定で提案する。
論文 参考訳（メタデータ） (2022-11-29T04:24:03Z) - Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving
Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。
これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。
これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文 参考訳（メタデータ） (2022-10-25T17:50:36Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and
Policy Learning for Autonomous Vehicles [131.2240621036954]
VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。
高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。
センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
論文 参考訳（メタデータ） (2021-11-23T18:58:10Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。
まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。
本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文 参考訳（メタデータ） (2020-06-16T17:44:35Z) - A machine learning environment for evaluating autonomous driving
software [1.6516902135723865]
自動運転車のコーナーケース動作を検出するための機械学習環境を提案する。
我々の環境は、CARLAシミュレーションソフトウェアを機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。
我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。
論文 参考訳（メタデータ） (2020-03-07T13:05:03Z) - Simulation-based reinforcement learning for real-world autonomous driving [9.773015744446067]
実物大の車両を制御する駆動システムを実現するために,シミュレーションにおいて強化学習を用いる。
駆動ポリシは、単一のカメラからのRGBイメージと、それらのセマンティックセグメンテーションを入力として取り込む。
主に合成データを使用し、ラベル付き実世界のデータはセグメンテーションネットワークのトレーニングにのみ現れる。
論文 参考訳（メタデータ） (2019-11-29T00:08:58Z)
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。