論文の概要: ScaTE: A Scalable Framework for Self-Supervised Traversability
Estimation in Unstructured Environments
- arxiv url: http://arxiv.org/abs/2209.06522v1
- Date: Wed, 14 Sep 2022 09:52:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:03:13.799968
- Title: ScaTE: A Scalable Framework for Self-Supervised Traversability
Estimation in Unstructured Environments
- Title（参考訳）: scate: 非構造化環境における自己教師ありトラバーサビリティ推定のためのスケーラブルなフレームワーク
- Authors: Junwon Seo, Taekyung Kim, Kiho Kwak, Jihong Min, Inwook Shim
- Abstract要約: 本研究では,自己教師付きトラバーサビリティ学習のためのスケーラブルなフレームワークを提案する。
私たちは、車両が3Dポイントの雲から受ける受容的体験を予測するニューラルネットワークをトレーニングします。
シミュレーションと実世界から収集した各種車両の運転データから,本フレームワークは各種車両の自己監督的走行性を学ぶことができることを示す。
- 参考スコア（独自算出の注目度）: 7.226357394861987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For the safe and successful navigation of autonomous vehicles in unstructured
environments, the traversability of terrain should vary based on the driving
capabilities of the vehicles. Actual driving experience can be utilized in a
self-supervised fashion to learn vehicle-specific traversability. However,
existing methods for learning self-supervised traversability are not highly
scalable for learning the traversability of various vehicles. In this work, we
introduce a scalable framework for learning self-supervised traversability,
which can learn the traversability directly from vehicle-terrain interaction
without any human supervision. We train a neural network that predicts the
proprioceptive experience that a vehicle would undergo from 3D point clouds.
Using a novel PU learning method, the network simultaneously identifies
non-traversable regions where estimations can be overconfident. With driving
data of various vehicles gathered from simulation and the real world, we show
that our framework is capable of learning the self-supervised traversability of
various vehicles. By integrating our framework with a model predictive
controller, we demonstrate that estimated traversability results in effective
navigation that enables distinct maneuvers based on the driving characteristics
of the vehicles. In addition, experimental results validate the ability of our
method to identify and avoid non-traversable regions.
- Abstract（参考訳）: 非構造環境における自動運転車の安全かつ良好なナビゲーションのためには、地形の移動性は車両の運転能力によって異なるべきである。
実際の運転経験は、自制的な方法で車両固有の走行性を学ぶために利用することができる。
しかし、既存の自己監督的トラバータビリティの学習方法は、様々な車両のトラバータビリティを学習するのには非常にスケーラブルではない。
本研究では,人間を介さずに,車と地形の相互作用から直接トラバーサビリティを学習できる,自己監督的トラバーサビリティ学習のためのスケーラブルなフレームワークを提案する。
我々は,車両が3dポイントの雲から受ける固有体験を予測するニューラルネットワークを訓練する。
ネットワークは,新しいPU学習手法を用いて,信頼度が過大な領域を同時に同定する。
シミュレーションと実世界から収集した各種車両の運転データを用いて,我々は様々な車両の自己監視トラバーサビリティを学習できることを実証する。
このフレームワークをモデル予測コントローラと統合することにより、推定トラバーサビリティは、車両の走行特性に基づいて異なる操作を可能にする効果的なナビゲーションをもたらすことを実証する。
また,本手法の有効性を実験的に検証し,非可逆領域の同定と回避を行った。
関連論文リスト
- Safe Navigation in Unstructured Environments by Minimizing Uncertainty
in Control and Perception [5.46262127926284]
制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。
本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-26T11:24:03Z) - Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。
本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
論文 参考訳（メタデータ） (2023-05-30T09:51:27Z) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - RCA: Ride Comfort-Aware Visual Navigation via Self-Supervised Learning [14.798955901284847]
共有された自律性の下では、車いすの利用者は安全で快適な乗用車を提供し、高レベルのナビゲーション計画に従うことを期待する。
本稿では,固有感覚を用いた走行性解析において,乗り心地を明示的にモデル化することを提案する。
我々のナビゲーションシステムは,ロボット実験を通じて人間に好意的な乗り心地を提供するとともに,人間の評価研究も行っている。
論文 参考訳（メタデータ） (2022-07-29T03:38:41Z) - 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) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - 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) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-26T02:08:07Z) - PLOP: Probabilistic poLynomial Objects trajectory Planning for
autonomous driving [8.105493956485583]
条件付き模倣学習アルゴリズムを用いて,エゴ車とその周辺地域の軌道を推定する。
私たちのアプローチは計算効率が高く、オンボードセンサーのみに依存します。
公開データセットnuScenesでオフラインで評価する。
論文 参考訳（メタデータ） (2020-03-09T16:55:07Z)
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。