論文の概要: Solving Learn-to-Race Autonomous Racing Challenge by Planning in Latent Space

• arxiv url: http://arxiv.org/abs/2207.01275v2
• Date: Tue, 5 Jul 2022 07:02:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 12:05:17.059912
• Title: Solving Learn-to-Race Autonomous Racing Challenge by Planning in Latent Space
• Title（参考訳）: 潜在空間における計画によるレース学習の課題解決
• Authors: Shivansh Beohar, Fabian Heinrich, Rahul Kala, Helge Ritter and Andrew Melnik
• Abstract要約: Learn-to-Race Autonomous Racing Virtual Challengeはwww.dot>aicrowddot>comプラットフォーム上で開催されている。 われわれのUniTeamチームは、Single Cameraトラックの最終勝者の一人だった。 提案手法では,道路分割のためのU-Netアーキテクチャ,道路二乗マスクの符号化のための変分オートコーダ,最寄りの探索戦略を用いた。
• 参考スコア（独自算出の注目度）: 3.814858728853162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learn-to-Race Autonomous Racing Virtual Challenge hosted on www<dot>aicrowd<dot>com platform consisted of two tracks: Single and Multi Camera. Our UniTeam team was among the final winners in the Single Camera track. The agent is required to pass the previously unknown F1-style track in the minimum time with the least amount of off-road driving violations. In our approach, we used the U-Net architecture for road segmentation, variational autocoder for encoding a road binary mask, and a nearest-neighbor search strategy that selects the best action for a given state. Our agent achieved an average speed of 105 km/h on stage 1 (known track) and 73 km/h on stage 2 (unknown track) without any off-road driving violations. Here we present our solution and results.
• Abstract（参考訳）: www<dot>aicrowd<dot>comプラットフォーム上で開催されているLearning-to-Race Autonomous Racing Virtual Challengeは,シングルカメラとマルチカメラの2つのトラックで構成されていた。 われわれのUniTeamチームは、Single Cameraトラックの最終勝者の一人だった。 エージェントは、少なくともオフロード運転違反の少ない時間内に、未知のf1スタイルのトラックを通過させる必要がある。 提案手法では,道路セグメンテーションにu-netアーキテクチャ,道路バイナリマスクを符号化する変分オートコーダ,与えられた状態に対して最善のアクションを選択する最寄りのneighbor探索戦略を用いた。 我々のエージェントは、ステージ1(既知の軌道)で平均105km/h、ステージ2(知られていない軌道)で73km/hを達成した。 ここでは、解決策と結果を示す。

関連論文リスト

• The 8th AI City Challenge [57.25825945041515]
  2024年版では5トラックが収録され、47か国と地域の726チームから前例のない関心を集めた。 このチャレンジでは、2つのリーダーボードを使ってメソッドを展示し、参加者は新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-04-15T03:12:17Z)
• 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)
• Dynamic Conditional Imitation Learning for Autonomous Driving [0.966840768820136]
  条件模倣学習(CIL)は、ディープニューラルネットワークをエンドツーエンドで訓練し、人間の運転を模倣する。 このアプローチは、道路をたどったり、障害物を避けたり、交差点で特定の曲がり角をたどって目的地にたどり着く際に、適切な車両制御を示す。 しかし、目に見えない環境に展開すると性能が劇的に低下し、様々な気象条件に不整合である。 本稿では,これらの欠陥に対する解決策を提案する。まず,レーザスキャナと通常のカメラストリームを特徴レベルで融合させて,一般化と一貫性の課題を克服する。
  論文  参考訳（メタデータ） (2022-11-17T01:52:12Z)
• TrackNet: A Triplet metric-based method for Multi-Target Multi-Camera Vehicle Tracking [0.0]
  本稿では,交通映像からのマルチターゲットマルチカメラ(MTMC)車両追跡手法であるTrackNetを提案する。 提案手法は,まずFaster R-CNNを用いて車両のフレーム・バイ・フレーム検出を行い,次いでKalmanフィルタを用いて1台のカメラで検出を追跡し,最終的に3重メトリック学習戦略によってトラックをマッチングする。
  論文  参考訳（メタデータ） (2022-05-27T09:40:00Z)
• 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)
• Learning by Cheating [72.9701333689606]
  この難解な学習問題を2段階に分解することで単純化できることを示す。 提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。 提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
  論文  参考訳（メタデータ） (2019-12-27T18:59:04Z)

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。