論文の概要: Decentralized cooperative perception for autonomous vehicles: Learning
to value the unknown
- arxiv url: http://arxiv.org/abs/2301.01250v1
- Date: Mon, 12 Dec 2022 00:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 13:47:06.661974
- Title: Decentralized cooperative perception for autonomous vehicles: Learning
to value the unknown
- Title（参考訳）: 自律走行車における分散的協調認識--未知の価値を学習する
- Authors: Maxime Chaveroche, Franck Davoine, V\'eronique Cherfaoui
- Abstract要約: 我々は、エージェントが完全な知覚を求めて活動する分散的なコラボレーション、すなわちピアツーピアを提案する。
我々は,未知の車両を自我車に要求するだけで,通常の通信パラダイムを逆転する通信方針を学習する方法を提案する。
特に,局所予測可能なVAE (LP-VAE) を提案する。
- 参考スコア（独自算出の注目度）: 1.2246649738388387
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, we have been witnesses of accidents involving autonomous vehicles
and their lack of sufficient information. One way to tackle this issue is to
benefit from the perception of different view points, namely cooperative
perception. We propose here a decentralized collaboration, i.e. peer-to-peer,
in which the agents are active in their quest for full perception by asking for
specific areas in their surroundings on which they would like to know more.
Ultimately, we want to optimize a trade-off between the maximization of
knowledge about moving objects and the minimization of the total volume of
information received from others, to limit communication costs and message
processing time. For this, we propose a way to learn a communication policy
that reverses the usual communication paradigm by only requesting from other
vehicles what is unknown to the ego-vehicle, instead of filtering on the sender
side. We tested three different generative models to be taken as base for a
Deep Reinforcement Learning (DRL) algorithm, and compared them to a
broadcasting policy and a policy randomly selecting areas. In particular, we
propose Locally Predictable VAE (LP-VAE), which appears to be producing better
belief states for predictions than state-of-the-art models, both as a
standalone model and in the context of DRL. Experiments were conducted in the
driving simulator CARLA. Our best models reached on average a gain of 25% of
the total complementary information, while only requesting about 5% of the
ego-vehicle's perceptual field. This trade-off is adjustable through the
interpretable hyperparameters of our reward function.
- Abstract（参考訳）: 最近、自動運転車による事故と十分な情報不足が目撃されている。
この問題に取り組む一つの方法は、異なる視点の認識、すなわち協調的な知覚から恩恵を受けることである。
そこで我々は,エージェントが周囲にもっと知りたくなるような特定の領域を求めることで,完全な認識を求める活動を行っている分散的なコラボレーション,すなわちピア・ツー・ピアを提案する。
究極的には、移動対象に関する知識の最大化と、他者から受信される情報総量の最小化とのトレードオフを最適化し、通信コストとメッセージ処理時間を制限したい。
そこで本研究では,送信側でフィルタリングを行う代わりに,未知の車両を自我車に要求するだけで,通常の通信パラダイムを逆転する通信方針を学習する方法を提案する。
深層強化学習(drl)アルゴリズムのベースとして3つの異なる生成モデルをテストし,それらを放送ポリシーとランダムに選択するポリシーと比較した。
特に,局部予測可能なvae (lp-vae) を提案する。これはスタンドアロンモデルとdrlの文脈の両方において,最先端のモデルよりも優れた予測状態を生成する。
運転シミュレータCARLAで実験を行った。
我々の最良のモデルは、平均して補完情報の25%を獲得し、エゴ車両の知覚野の約5%しか要求していない。
このトレードオフは、報酬関数の解釈可能なハイパーパラメータを通じて調整可能です。
関連論文リスト
- Demystifying the Physics of Deep Reinforcement Learning-Based Autonomous Vehicle Decision-Making [6.243971093896272]
本稿では,ベースラインモデルとしてポリシー最適化に基づくDRLアルゴリズムを用い,オープンソースのAVシミュレーション環境にマルチヘッドアテンションフレームワークを付加する。
第1頭部の重みは隣接する車両の位置を符号化し、第2頭部は先頭車両のみに焦点を当てている。
論文 参考訳（メタデータ） (2024-03-18T02:59:13Z) - Selective Communication for Cooperative Perception in End-to-End
Autonomous Driving [8.680676599607123]
協調認識のための新しい選択的コミュニケーションアルゴリズムを提案する。
提案アルゴリズムは, 従来研究されてきた安全クリティカル運転シナリオシミュレーションにおいて, ランダム選択法よりも高い成功率を示す。
論文 参考訳（メタデータ） (2023-05-26T18:13:17Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - 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) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Vehicular Cooperative Perception Through Action Branching and Federated
Reinforcement Learning [101.64598586454571]
強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。
車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。
その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
論文 参考訳（メタデータ） (2020-12-07T02:09:15Z)
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。