論文の概要: Tackling Real-World Autonomous Driving using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2207.02162v1
• Date: Tue, 5 Jul 2022 16:33:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 15:25:02.908418
• Title: Tackling Real-World Autonomous Driving using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いた実世界自律運転の対応
• Authors: Paolo Maramotti, Alessandro Paolo Capasso, Giulio Bacchiani and Alberto Broggi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.3756530844707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the typical autonomous driving stack, planning and control systems represent two of the most crucial components in which data retrieved by sensors and processed by perception algorithms are used to implement a safe and comfortable self-driving behavior. In particular, the planning module predicts the path the autonomous car should follow taking the correct high-level maneuver, while control systems perform a sequence of low-level actions, controlling steering angle, throttle and brake. In this work, we propose a model-free Deep Reinforcement Learning Planner training a neural network that predicts both acceleration and steering angle, thus obtaining a single module able to drive the vehicle using the data processed by localization and perception algorithms on board of the self-driving car. In particular, the system that was fully trained in simulation is able to drive smoothly and safely in obstacle-free environments both in simulation and in a real-world urban area of the city of Parma, proving that the system features good generalization capabilities also driving in those parts outside the training scenarios. Moreover, in order to deploy the system on board of the real self-driving car and to reduce the gap between simulated and real-world performances, we also develop a module represented by a tiny neural network able to reproduce the real vehicle dynamic behavior during the training in simulation.
• Abstract（参考訳）: 典型的な自動運転スタックでは、センサーによって取得され、認識アルゴリズムによって処理されるデータを安全で快適な自動運転行動を実装する上で、計画と制御システムは最も重要な2つのコンポーネントの1つである。 特に、計画モジュールは、制御システムが操舵角、スロットル、ブレーキを制御する一連の低レベルアクションを実行している間に、自動運転車が正しい高レベル操作に従うべき経路を予測する。 本研究では,モデルのないディープ強化学習プランナを用いて,加速度と操舵角度の両方を予測するニューラルネットワークを訓練し,車載のローカライゼーションと知覚アルゴリズムによって処理されたデータを用いて車両を駆動できる単一モジュールを得る。 特に、シミュレーションで完全に訓練されたシステムは、シミュレーションとパルマ市の実世界の都市部の両方において、障害物のない環境でスムーズかつ安全に運転することができ、訓練シナリオ外の部分でも優れた一般化能力を備えていることが証明される。 さらに, 実車に搭載したシステムを実車に搭載し, シミュレーションと実世界のパフォーマンスのギャップを軽減するために, シミュレーション中の実車の動的挙動を再現可能な, 小さなニューラルネットワークで表現されたモジュールを開発する。

関連論文リスト

• Traffic Flow Simulation for Autonomous Driving [5.39623346513589]
  本稿では, セルラーオートマトンに基づく車両運動モデルと自転車インテリジェンス理論を適用し, 自律走行のシミュレーション環境を構築する。 自動運転車のアーキテクチャは一般的に認識システム、意思決定システム、制御システムに分けられる。
  論文  参考訳（メタデータ） (2023-07-23T02:51:10Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning [5.280496662905411]
  本稿では,ハイレベルグリッドベース行動プランナと低レベル軌道プランナを含む階層型計画アーキテクチャを提案する。 高レベルプランナーが一貫した経路を見つける責任があるため、低レベルプランナーは実行可能な軌道を生成する。 本手法をクローズドループシミュレーションと実世界運転の両方で評価し,ニューラルネットワークプランナの優れた性能を実証する。
  論文  参考訳（メタデータ） (2023-03-24T13:18:40Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Exiting the Simulation: The Road to Robust and Resilient Autonomous Vehicles at Scale [0.0]
  本稿では,自律運転システムの開発に使用されている最先端のシミュレーションフレームワークと方法論について述べる。 自律運転シミュレーションにおける重要な課題の合成について述べる。
  論文  参考訳（メタデータ） (2022-10-19T20:32:43Z)
• Data generation using simulation technology to improve perception mechanism of autonomous vehicles [0.0]
  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。
  論文  参考訳（メタデータ） (2022-07-01T03:42:33Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
  本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。 提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
  論文  参考訳（メタデータ） (2020-01-03T11:16:41Z)

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。