論文の概要: Vehicle lateral control using Machine Learning for automated vehicle
guidance
- arxiv url: http://arxiv.org/abs/2303.08187v1
- Date: Tue, 14 Mar 2023 19:14:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-03-16 15:41:08.685946
- Title: Vehicle lateral control using Machine Learning for automated vehicle
guidance
- Title（参考訳）: 自動車両誘導のための機械学習による車両横方向制御
- Authors: Akash Fogla, Kanish Kumar, Sunnay Saurav, Bishnu ramanujan
- Abstract要約: 安全クリティカルシステムで使用される機械学習モデルにおいて、意思決定の不確実性は不可欠である。
本研究では,機械学習モデルを用いて車両の横方向制御系を設計する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uncertainty in decision-making is crucial in the machine learning model used
for a safety-critical system that operates in the real world. Therefore, it is
important to handle uncertainty in a graceful manner for the safe operation of
the CPS. In this work, we design a vehicle's lateral controller using a
machine-learning model. To this end, we train a random forest model that is an
ensemble model and a deep neural network model. Due to the ensemble in the
random forest model, we can predict the confidence/uncertainty in the
prediction. We train our controller on data generated from running the car on
one track in the simulator and tested it on other tracks. Due to prediction in
confidence, we could decide when the controller is less confident in prediction
and takes control if needed. We have two results to share: first, even on a
very small number of labeled data, a very good generalization capability of the
random forest-based regressor in comparison with a deep neural network and
accordingly random forest controller can drive on another similar track, where
the deep neural network-based model fails to drive, and second confidence in
predictions in random forest controller makes it possible to let us know when
the controller is not confident in prediction and likely to fail. By creating a
threshold, it was possible to take control when the controller is not safe and
that is missing in a deep neural network-based controller.
- Abstract（参考訳）: 意思決定の不確実性は、現実世界で動作する安全クリティカルなシステムに使用される機械学習モデルにおいて重要である。
したがって、CPSの安全な運用には、優雅な方法で不確実性を扱うことが重要である。
本研究では,機械学習モデルを用いて車両の側方制御系を設計する。
この目的のために,アンサンブルモデルとディープニューラルネットワークモデルであるランダムフォレストモデルをトレーニングする。
ランダム森林モデルにおけるアンサンブルにより、予測における信頼/不確実性を予測できる。
シミュレーターの1トラックで車を走らせ、他のトラックでテストしたデータに基づいて、コントローラをトレーニングします。
信頼性の予測により、いつコントローラが予測に自信がなく、必要に応じて制御されるのかを判断できる。
We have two results to share: first, even on a very small number of labeled data, a very good generalization capability of the random forest-based regressor in comparison with a deep neural network and accordingly random forest controller can drive on another similar track, where the deep neural network-based model fails to drive, and second confidence in predictions in random forest controller makes it possible to let us know when the controller is not confident in prediction and likely to fail.
しきい値を作成することで、コントローラが安全ではなく、ディープニューラルネットワークベースのコントローラに欠けている場合に制御を行うことが可能になる。
関連論文リスト
- Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge [3.131134048419781]
本研究は,機械学習フレームワークを用いた車両の横方向制御システムの開発に焦点をあてる。
確率論的学習モデルであるベイズニューラルネットワーク(BNN)を用いて不確実性定量化に対処する。
信頼しきい値を確立することで、手動による介入をトリガーし、安全なパラメータの外で動作した場合に、制御がアルゴリズムから解放されることを保証できます。
論文 参考訳（メタデータ） (2024-04-24T23:22:37Z) - Learning a Stable, Safe, Distributed Feedback Controller for a Heterogeneous Platoon of Autonomous Vehicles [5.289123253466164]
異種小隊のための安定で安全な分散制御系を学習するためのアルゴリズムを提案する。
シミュレーションで自律小隊を訓練し、4台のF110車両からなる小隊によるハードウェアの性能評価を行う。
論文 参考訳（メタデータ） (2024-04-18T19:11:34Z) - Humanoid Locomotion as Next Token Prediction [84.21335675130021]
我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。
われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。
われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
論文 参考訳（メタデータ） (2024-02-29T18:57:37Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - 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) - Neural Network Based Model Predictive Control for an Autonomous Vehicle [3.222802562733787]
本研究では,自律走行車制御のためのモデル予測コントローラ(MPC)の代替として,学習ベースコントローラについて検討する。
教師あり学習と強化学習による学習を比較した。
本研究の目的は,リアルタイムプラットフォームに組み込み,形式的手法による検証が可能なコントローラの開発である。
論文 参考訳（メタデータ） (2021-07-30T12:11:31Z) - Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for
Model Free Control [1.3764085113103217]
ニュートラル適応コントローラは、新しい重み更新法則に基づいて訓練されたディープニューラルネットワークを特徴とする実装である。
制御器は、非線形プラントを迅速に学習することができ、追従制御問題において優れた性能を示す。
論文 参考訳（メタデータ） (2021-07-21T22:46:03Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Generating Probabilistic Safety Guarantees for Neural Network
Controllers [30.34898838361206]
ダイナミクスモデルを使用して、ニューラルネットワークコントローラが安全に動作するために保持する必要がある出力プロパティを決定します。
ニューラルネットワークポリシの近似を効率的に生成するための適応的検証手法を開発した。
本手法は,航空機衝突回避ニューラルネットワークの確率的安全性を保証することができることを示す。
論文 参考訳（メタデータ） (2021-03-01T18:48:21Z) - 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) - Populations of Spiking Neurons for Reservoir Computing: Closed Loop
Control of a Compliant Quadruped [64.64924554743982]
本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。
本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
論文 参考訳（メタデータ） (2020-04-09T14:32:49Z)
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。