論文の概要: Autonomous Driving Simulator based on Neurorobotics Platform
- arxiv url: http://arxiv.org/abs/2301.00089v1
- Date: Sat, 31 Dec 2022 01:12:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 15:36:50.762262
- Title: Autonomous Driving Simulator based on Neurorobotics Platform
- Title（参考訳）: ニューロロボティクスプラットフォームを用いた自律運転シミュレータ
- Authors: Wei Cao, Liguo Zhou, Yuhong Huang and Alois Knoll
- Abstract要約: 自動運転車には人工知能アルゴリズムがたくさんあるが、これらのアルゴリズムを直接車両にインストールするのは非現実的で高価だ。
同時に、これらのアルゴリズムの多くは、トレーニングと最適化のための環境を必要としています。
このレポートは、Neurorobotics Platformに関する小さな研究から始まり、真の現実世界のシミュレーション目標を達成するための新しいシミュレータの開発の可能性と可能性を分析する。
- 参考スコア（独自算出の注目度）: 11.25880077022107
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: There are many artificial intelligence algorithms for autonomous driving, but
directly installing these algorithms on vehicles is unrealistic and expensive.
At the same time, many of these algorithms need an environment to train and
optimize. Simulation is a valuable and meaningful solution with training and
testing functions, and it can say that simulation is a critical link in the
autonomous driving world. There are also many different applications or systems
of simulation from companies or academies such as SVL and Carla. These
simulators flaunt that they have the closest real-world simulation, but their
environment objects, such as pedestrians and other vehicles around the
agent-vehicle, are already fixed programmed. They can only move along the
pre-setting trajectory, or random numbers determine their movements. What is
the situation when all environmental objects are also installed by Artificial
Intelligence, or their behaviors are like real people or natural reactions of
other drivers? This problem is a blind spot for most of the simulation
applications, or these applications cannot be easy to solve this problem. The
Neurorobotics Platform from the TUM team of Prof. Alois Knoll has the idea
about "Engines" and "Transceiver Functions" to solve the multi-agents problem.
This report will start with a little research on the Neurorobotics Platform and
analyze the potential and possibility of developing a new simulator to achieve
the true real-world simulation goal. Then based on the NRP-Core Platform, this
initial development aims to construct an initial demo experiment. The consist
of this report starts with the basic knowledge of NRP-Core and its
installation, then focus on the explanation of the necessary components for a
simulation experiment, at last, about the details of constructions for the
autonomous driving system, which is integrated object detection and autonomous
control.
- Abstract（参考訳）: 自動運転車には人工知能アルゴリズムがたくさんあるが、これらのアルゴリズムを直接車両にインストールするのは非現実的で高価だ。
同時に、これらのアルゴリズムの多くは、トレーニングと最適化のための環境を必要とする。
シミュレーションは、トレーニングとテスト機能を備えた価値ある有意義なソリューションであり、シミュレーションは自動運転の世界において重要なリンクであると言える。
また、SVLやCarlaのような企業や学術機関から様々なアプリケーションやシミュレーションシステムが存在する。
これらのシミュレーターは、最も近い実世界シミュレーションを持っているが、歩行者やその他の車両などの環境オブジェクトは、すでにプログラムされている。
事前に設定された軌道に沿ってしか移動できないし、乱数で動きを決定することもできる。
すべての環境オブジェクトが人工知能によってインストールされている場合や、その振る舞いが実際の人や他のドライバーの自然な反応と同じである場合はどうでしょう?
この問題は、ほとんどのシミュレーションアプリケーションにとって盲点であり、あるいはこれらのアプリケーションは、この問題を簡単に解決できない。
Alois Knoll教授のTUMチームのNeurorobotics Platformは、マルチエージェント問題を解決するために"Engines"と"Transceiver Functions"というアイデアを持っている。
本報告は,神経ロボティクスプラットフォームに関する小さな研究から始まり,実際のシミュレーション目標を達成するための新しいシミュレータの開発の可能性と可能性を分析する。
NRP-Core Platformをベースとしたこの初期開発は、最初のデモ実験を構築することを目的としている。
本報告は、NRP-Coreとそのインストールに関する基礎知識から始まり、最後に、オブジェクト検出と自律制御を統合した自律運転システムの構築の詳細について、シミュレーション実験に必要なコンポーネントの説明に焦点を当てる。
関連論文リスト
- GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes
and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。
シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。
シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文 参考訳（メタデータ） (2024-01-28T23:26:15Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。
UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。
動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文 参考訳（メタデータ） (2023-08-03T17:56:06Z) - 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) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - SimNet: Learning Reactive Self-driving Simulations from Real-world
Observations [10.035169936164504]
運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。
これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
論文 参考訳（メタデータ） (2021-05-26T05:14:23Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving [1.1742615451804794]
本稿では,自律運転のための高忠実度シミュレータであるLGSVL Simulatorを紹介する。
シミュレータエンジンは、AutowareとApolloに接続する準備ができているエンドツーエンドのフルスタックシミュレーションを提供する。
論文 参考訳（メタデータ） (2020-05-07T21:57:19Z) - A machine learning environment for evaluating autonomous driving
software [1.6516902135723865]
自動運転車のコーナーケース動作を検出するための機械学習環境を提案する。
我々の環境は、CARLAシミュレーションソフトウェアを機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。
我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。
論文 参考訳（メタデータ） (2020-03-07T13:05:03Z)
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。