論文の概要: A Low-Cost Lane-Following Algorithm for Cyber-Physical Robots
- arxiv url: http://arxiv.org/abs/2208.10765v1
- Date: Tue, 23 Aug 2022 06:55:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:50:30.061267
- Title: A Low-Cost Lane-Following Algorithm for Cyber-Physical Robots
- Title（参考訳）: サイバー物理ロボットのための低コストレーン追従アルゴリズム
- Authors: Archit Gupta and Arvind Easwaran
- Abstract要約: Duckiebotは低コストの移動ロボットで、研究や教育に広く使われている。
2車線の走行が可能な低コストの自動運転アルゴリズムを構築した。
アルゴリズムのパフォーマンスは、NeurIPS 2018 AI Driving Olympics Finalistsと比較された。
- 参考スコア（独自算出の注目度）: 4.406331747636832
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Duckiebots are low-cost mobile robots that are widely used in the fields of
research and education. Although there are existing self-driving algorithms for
the Duckietown platform, they are either too complex or perform too poorly to
navigate a multi-lane track. Moreover, it is essential to give memory and
computational resources to a Duckiebot so it can perform additional tasks such
as out-of-distribution input detection. In order to satisfy these constraints,
we built a low-cost autonomous driving algorithm capable of driving on a
two-lane track. The algorithm uses traditional computer vision techniques to
identify the central lane on the track and obtain the relevant steering angle.
The steering is then controlled by a PID controller that smoothens the movement
of the Duckiebot. The performance of the algorithm was compared to that of the
NeurIPS 2018 AI Driving Olympics (AIDO) finalists, and it outperformed all but
one finalists. The two main contributions of our algorithm are its low
computational requirements and very quick set-up, with ongoing efforts to make
it more reliable.
- Abstract（参考訳）: Duckiebotは低コストの移動ロボットで、研究や教育の分野で広く使われている。
Duckietownプラットフォームには既存の自動運転アルゴリズムがあるが、それらは複雑すぎるか、多車線を走行するには不十分すぎる。
さらに、duckiebotにメモリと計算リソースを与えて、配信外入力検出などの追加タスクを実行することが不可欠である。
これらの制約を満たすため、2車線の走行が可能な低コストの自動運転アルゴリズムを構築した。
このアルゴリズムは、従来のコンピュータビジョン技術を用いて、トラック上の中央車線を特定し、関連する操舵角度を得る。
ステアリングは、Duckiebotの動作を円滑にするPIDコントローラによって制御される。
アルゴリズムのパフォーマンスは、NeurIPS 2018 AI Driving Olympics (AIDO)ファイナリストと比較され、ファイナリストは1人を除いてすべて上回った。
アルゴリズムの2つの主な貢献は、その低い計算要求と非常に高速なセットアップであり、信頼性を高める努力が進行中である。
関連論文リスト
- Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Autonomous Algorithm for Training Autonomous Vehicles with Minimal Human Intervention [18.95571506577409]
人間の介入を最小限に抑えて自動運転車を訓練するための新しいアルゴリズムを導入する。
我々のアルゴリズムは、いつエピソードを中止すべきかを決定するために、自動運転車の学習の進捗を考慮に入れている。
また、ルールベースの自動運転アルゴリズムを利用して、自動運転車を初期状態に安全にリセットする。
論文 参考訳（メタデータ） (2024-05-22T05:04:44Z) - Curiosity-Driven Reinforcement Learning based Low-Level Flight Control [95.42181254494287]
本研究では,オドメトリデータから適切な運動速度を生成することにより,自律学習のための好奇心の駆動に基づくアルゴリズムを提案する。
探索パターンの進化における好奇心の効果を可視化したアルゴリズムとアルゴリズムを用いて、オン・ポリティ、オフ・ポリティ、オン・ポリティ、オン・ポリティと好奇心を用いたテストを実行した。
論文 参考訳（メタデータ） (2023-07-28T11:46:28Z) - POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of
a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。
我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
論文 参考訳（メタデータ） (2023-07-16T19:44:27Z) - 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) - Autonomous Slalom Maneuver Based on Expert Drivers' Behavior Using
Convolutional Neural Network [0.39146761527401425]
本稿では,畳み込みニューラルネットワーク(CNN)を用いたドライバの動作を模倣する手法を提案する。
CNNモデルは所望のハンドル角度を計算し、適応的なPDコントローラに送信する。
いくつかの試験では、提案手法は専門家のドライバーよりもスムーズな操作を行った。
論文 参考訳（メタデータ） (2023-01-18T10:47:43Z) - Efficient Perception, Planning, and Control Algorithm for Vision-Based Automated Vehicles [0.0]
本研究は、視覚に基づく自動車両の運転のための効率的な枠組みを提案する。
このフレームワークは単眼カメラとレーダーのみを必要とする。
実験により、提案された自律運転システムは、現在の自動運転車に適用可能であることが示された。
論文 参考訳（メタデータ） (2022-09-15T04:51:17Z) - Pragmatic Implementation of Reinforcement Algorithms For Path Finding On
Raspberry Pi [0.0]
提案システムは,Raspberry Piが制御する4輪駆動非ホロノミックロボットのグリッドマップを容易にするために,コスト効率のよいアプローチである。
Q学習とDeep-Q学習は、静的障害物との衝突を避けながら最適な経路を見つけるために使用される。
また,方向の配列を正確な動きにデコードする新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-07T09:00:14Z) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - Real-World Application of Various Trajectory Planning Algorithms on MIT
RACECAR [0.0]
3つの経路計画アルゴリズムがMIT RACECARに適用された。
アルゴリズムを比較するシナリオが作成されました。
APFは低処理負荷と単純な動作ロジックのために選択された。
論文 参考訳（メタデータ） (2021-08-17T12:08:49Z) - AirSim Drone Racing Lab [56.68291351736057]
AirSim Drone Racing Labは、この領域で機械学習研究を可能にするシミュレーションフレームワークである。
本フレームワークは,複数の写真リアル環境下でのレーストラック生成を可能にする。
当社のフレームワークを使用して,NeurIPS 2019で,シミュレーションベースのドローンレースコンペティションを開催しました。
論文 参考訳（メタデータ） (2020-03-12T08:06:06Z)
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。