論文の概要: Dynamic Conditional Imitation Learning for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2211.11579v1
• Date: Thu, 17 Nov 2022 01:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 22:20:59.736626
• Title: Dynamic Conditional Imitation Learning for Autonomous Driving
• Title（参考訳）: 自律運転のための動的条件模倣学習
• Authors: Hesham M. Eraqi, Mohamed N. Moustafa, Jens Honer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional imitation learning (CIL) trains deep neural networks, in an end-to-end manner, to mimic human driving. This approach has demonstrated suitable vehicle control when following roads, avoiding obstacles, or taking specific turns at intersections to reach a destination. Unfortunately, performance dramatically decreases when deployed to unseen environments and is inconsistent against varying weather conditions. Most importantly, the current CIL fails to avoid static road blockages. In this work, we propose a solution to those deficiencies. First, we fuse the laser scanner with the regular camera streams, at the features level, to overcome the generalization and consistency challenges. Second, we introduce a new efficient Occupancy Grid Mapping (OGM) method along with new algorithms for road blockages avoidance and global route planning. Consequently, our proposed method dynamically detects partial and full road blockages, and guides the controlled vehicle to another route to reach the destination. Following the original CIL work, we demonstrated the effectiveness of our proposal on CARLA simulator urban driving benchmark. Our experiments showed that our model improved consistency against weather conditions by four times and autonomous driving success rate generalization by 52%. Furthermore, our global route planner improved the driving success rate by 37%. Our proposed road blockages avoidance algorithm improved the driving success rate by 27%. Finally, the average kilometers traveled before a collision with a static object increased by 1.5 times. The main source code can be reached at https://heshameraqi.github.io/dynamic_cil_autonomous_driving.
• Abstract（参考訳）: 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、道路を辿ったり、障害物を避けたり、目的地に到達するために交差点で特定の曲がり角を取るときに適切な車両制御を示す。 残念なことに、見えない環境に配備すると性能は劇的に低下し、様々な気象条件と矛盾する。 最も重要なことは、現在のCILが静的な道路封鎖を避けるのに失敗することです。 本研究では,これらの欠陥に対する解決策を提案する。 まず、レーザースキャナと通常のカメラストリームを機能レベルで融合することで、一般化と一貫性の課題を克服します。 第2に,道路封鎖回避とグローバルルート計画のための新しいアルゴリズムとともに,効率的なOGM(Occupancy Grid Mapping)手法を提案する。 そこで,提案手法では,部分的および全道路閉塞を動的に検出し,制御車両を他の経路に誘導して目的地に到達させる。 CILの当初の研究に続いて,CARLAシミュレータ都市運転ベンチマークにおける提案の有効性を実証した。 実験の結果, 気象条件に対する一貫性を4倍に改善し, 自律運転成功率を52%向上させた。 さらに,世界ルートプランナーは運転成功率を37%向上させた。 提案する道路閉塞回避アルゴリズムは運転成功率を27%向上させた。 最後に、静止物体と衝突する前に平均距離が1.5倍に増加した。 ソースコードはhttps://heshameraqi.github.io/dynamic_cil_autonomous_drivingで確認できる。

関連論文リスト

• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• BCSSN: Bi-direction Compact Spatial Separable Network for Collision Avoidance in Autonomous Driving [4.392212820170972]
  ルールベースのシステム、決定木、マルコフ決定プロセス、ベイジアンネットワークは、交通条件の複雑さに対処し衝突を避けるために使われる一般的な手法の1つである。 ディープラーニングの出現に伴い、多くの研究者が衝突回避性能を向上させるためにCNNベースの手法に転換してきた。 そこで本研究では,CNN を用いた時系列画像の領域間の特徴相関関係の確立により,その制限を克服する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-12T17:35:57Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Pedestrian Collision Avoidance for Autonomous Vehicles at Unsignalized Intersection Using Deep Q-Network [4.94950858749529]
  本稿では,混み合った無人交差点における自律走行車(AV)ナビゲーションについて検討する。 我々は,報酬関数と状態表現を訓練した異なる深層強化学習手法の性能を比較する。
  論文  参考訳（メタデータ） (2021-05-01T03:02:21Z)
• 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)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Multi-Agent Path Planning based on MPC and DDPG [14.793341914236166]
  モデル予測制御(MPC)とDeep Deterministic Policy Gradient(DDPG)を組み合わせた新しいアルゴリズムを提案する。 ddpg with continuous action spaceは、ロボットに学習と自律的な意思決定機能を提供するように設計されている。 航空母艦デッキや四角形などの不確定な環境でのシミュレーション実験にunity 3dを用いる。
  論文  参考訳（メタデータ） (2021-02-26T02:57:13Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks [26.558394047144006]
  大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。 高忠実度運転シミュレータで7000km以上の評価を行う。 本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
  論文  参考訳（メタデータ） (2020-11-13T06:13:28Z)
• VTGNet: A Vision-based Trajectory Generation Network for Autonomous Vehicles in Urban Environments [26.558394047144006]
  模倣学習に基づく不確実性を考慮した終端軌道生成手法を開発した。 様々な気象条件や照明条件下では,ネットワークは異なる都市環境下で確実にトラジェクトリを生成することができる。 提案手法は,SOTA(State-of-the-art-to-end Control)よりもクロスシーン/プラットフォーム駆動性が向上する。
  論文  参考訳（メタデータ） (2020-04-27T06:17:55Z)

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。