論文の概要: Autonomous Slalom Maneuver Based on Expert Drivers' Behavior Using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2301.07424v1
• Date: Wed, 18 Jan 2023 10:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 16:17:24.931096
• Title: Autonomous Slalom Maneuver Based on Expert Drivers' Behavior Using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いたエキスパートドライバの行動に基づく自律スラローム操作
• Authors: Shafagh A. Pashaki, Ali Nahvi, Ahmad Ahmadi, Sajad Tavakoli, Shahin Naeemi, Salar H. Shamchi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.39146761527401425
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lane changing and obstacle avoidance are one of the most important tasks in automated cars. To date, many algorithms have been suggested that are generally based on path trajectory or reinforcement learning approaches. Although these methods have been efficient, they are not able to accurately imitate a smooth path traveled by an expert driver. In this paper, a method is presented to mimic drivers' behavior using a convolutional neural network (CNN). First, seven features are extracted from a dataset gathered from four expert drivers in a driving simulator. Then, these features are converted from 1D arrays to 2D arrays and injected into a CNN. The CNN model computes the desired steering wheel angle and sends it to an adaptive PD controller. Finally, the control unit applies proper torque to the steering wheel. Results show that the CNN model can mimic the drivers' behavior with an R2-squared of 0.83. Also, the performance of the presented method was evaluated in the driving simulator for 17 trials, which avoided all traffic cones successfully. In some trials, the presented method performed a smoother maneuver compared to the expert drivers.
• Abstract（参考訳）: 車線変更と障害物回避は、自動走行車において最も重要なタスクの1つである。 これまで,経路軌跡や強化学習に基づくアルゴリズムが多数提案されてきた。 これらの手法は効率的だが、熟練したドライバーが走行するスムーズな経路を正確に模倣することはできない。 本稿では,畳み込みニューラルネットワーク(CNN)を用いてドライバの動作を模倣する手法を提案する。 まず、運転シミュレーター内の4人の専門家ドライバから収集したデータセットから7つの特徴を抽出する。 その後、これらの機能は1D配列から2D配列に変換され、CNNに注入される。 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。 そして、制御部は、ステアリングホイールに適切なトルクを付与する。 結果は、CNNモデルがドライバーの挙動を0.83のR2乗法で模倣できることを示している。 また, 提案手法の性能を17回の運転シミュレータで評価し, 全交通円錐を回避した。 いくつかの試験では、提案手法はエキスパートドライバよりもスムーズな操作を行った。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
  本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。 設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
  論文  参考訳（メタデータ） (2023-06-20T11:41:01Z)
• 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)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• 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)
• Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
  本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。 我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。 本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
  論文  参考訳（メタデータ） (2022-03-21T02:30:36Z)
• Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach [1.9395755884693817]
  本稿では,ドライバー・イン・ザ・ループシミュレータ上でのレースドライバーの研究と評価を行う。 ドライバーを評価するために、総合的なパフォーマンススコア、車両軌道スコア、ハンドリングスコアを導入する。 ニューラルネットワークは2-5%のルート平均二乗誤差で正確で堅牢であり、最適化に基づく手法を置き換えることができることを示す。
  論文  参考訳（メタデータ） (2022-01-27T07:32:32Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification [8.007800530105191]
  運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。 CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。 次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
  論文  参考訳（メタデータ） (2021-02-11T04:33:43Z)
• DeepRacing: Parameterized Trajectories for Autonomous Racing [0.0]
  現実的なF1環境での高速自律レースの課題を考察する。 DeepRacingは、新しいエンドツーエンドフレームワークであり、自律レースのためのアルゴリズムのトレーニングと評価のための仮想テストベッドである。 この仮想テストベッドは、スタンドアロンのC++ APIと人気のあるRobot Operating System 2 (ROS2)フレームワークへのバインディングの両方として、オープンソースライセンスでリリースされている。
  論文  参考訳（メタデータ） (2020-05-06T21:35:48Z)

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。