論文の概要: Sim2real and Digital Twins in Autonomous Driving: A Survey
- arxiv url: http://arxiv.org/abs/2305.01263v1
- Date: Tue, 2 May 2023 09:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 14:54:20.769703
- Title: Sim2real and Digital Twins in Autonomous Driving: A Survey
- Title(参考訳): Sim2realとDigital Twinsの自動運転に関する調査
- Authors: Xuemin Hu, Shen Li, Tingyu Huang, Bo Tang, Long Chen
- Abstract要約: シミュレーションで学んだ運転知識を現実に適応させる方法が重要な問題となっている。
仮想シミュレーションの世界は、照明、テクスチャ、車両のダイナミクス、エージェントの振る舞いなど多くの面で現実世界と異なる。
近年,シミュレーションから現実への知識伝達(sim2real)とデジタル双生児の学習(DT)の2つのカテゴリに大きく分類できる,現実ギャップ問題に対処するための様々なアプローチが研究されている。
- 参考スコア(独自算出の注目度): 17.426987839677757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safety and cost are two important concerns for the development of autonomous
driving technologies. From the academic research to commercial applications of
autonomous driving vehicles, sufficient simulation and real world testing are
required. In general, a large scale of testing in simulation environment is
conducted and then the learned driving knowledge is transferred to the real
world, so how to adapt driving knowledge learned in simulation to reality
becomes a critical issue. However, the virtual simulation world differs from
the real world in many aspects such as lighting, textures, vehicle dynamics,
and agents' behaviors, etc., which makes it difficult to bridge the gap between
the virtual and real worlds. This gap is commonly referred to as the reality
gap (RG). In recent years, researchers have explored various approaches to
address the reality gap issue, which can be broadly classified into two
categories: transferring knowledge from simulation to reality (sim2real) and
learning in digital twins (DTs). In this paper, we consider the solutions
through the sim2real and DTs technologies, and review important applications
and innovations in the field of autonomous driving. Meanwhile, we show the
state-of-the-arts from the views of algorithms, models, and simulators, and
elaborate the development process from sim2real to DTs. The presentation also
illustrates the far-reaching effects of the development of sim2real and DTs in
autonomous driving.
- Abstract(参考訳): 安全とコストは、自動運転技術の開発において重要な2つの問題である。
学術研究から自動運転車の商用利用まで、十分なシミュレーションと実世界のテストが必要となる。
一般に,シミュレーション環境における大規模なテストを実施し,学習した運転知識を現実世界に伝達することにより,シミュレーションで学んだ運転知識を現実に適応させる方法が重要となる。
しかし, 仮想シミュレーションの世界は, 照明, テクスチャ, 車両力学, エージェントの挙動など, 現実世界とは異なっており, 仮想世界と現実世界のギャップを埋めることが困難である。
このギャップは一般に現実ギャップ(real reality gap, rg)と呼ばれる。
近年,シミュレーションから現実への知識伝達(sim2real)とデジタル双生児の学習(DT)の2つのカテゴリに大きく分類できる,現実ギャップ問題に対処するための様々なアプローチが研究されている。
本稿では, sim2real と DTs 技術によるソリューションについて考察し, 自動運転分野における重要な応用とイノベーションを概観する。
一方,アルゴリズム,モデル,シミュレータの視点から最新技術を紹介し,sim2real から DT までの開発プロセスについて詳しく述べる。
また、このプレゼンテーションでは、自動運転におけるsim2realとDTの開発がもたらす影響についても説明している。
関連論文リスト
- A Platform-Agnostic Deep Reinforcement Learning Framework for Effective Sim2Real Transfer towards Autonomous Driving [0.0]
深層強化学習(DRL)は複雑なタスクの解決に顕著な成功を収めた。
シミュレーションと現実の間に大きな違いがあるため、DRLエージェントを現実世界に転送することは依然として困難である。
本稿では、プラットフォームに依存した認識モジュールを利用してタスク関連情報を抽出する頑健なDRLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-14T07:55:07Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-16T16:54:10Z) - Discrete Control in Real-World Driving Environments using Deep
Reinforcement Learning [2.467408627377504]
本研究では,現実の環境をゲーム環境に移行させる,現実の運転環境におけるフレームワーク(知覚,計画,制御)を紹介する。
実環境における離散制御を学習し,実行するために,既存の強化学習(RL)アルゴリズムを多エージェント設定で提案する。
論文 参考訳(メタデータ) (2022-11-29T04:24:03Z) - Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving
Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。
これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。
これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文 参考訳(メタデータ) (2022-10-25T17:50:36Z) - DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to
Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。
本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文 参考訳(メタデータ) (2022-10-25T01:51:36Z) - Data generation using simulation technology to improve perception
mechanism of autonomous vehicles [0.0]
実世界から収集したデータと模擬世界から生成されたデータを組み合わせることで、認識システムを訓練する効果を実証する。
また,人間の学習体験をエミュレートすることを目的とした多段階深層学習知覚フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-01T03:42:33Z) - VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and
Policy Learning for Autonomous Vehicles [131.2240621036954]
VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。
高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。
センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
論文 参考訳(メタデータ) (2021-11-23T18:58:10Z) - Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文 参考訳(メタデータ) (2021-11-01T13:55:41Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳(メタデータ) (2020-04-14T20:52:49Z) - 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。