論文の概要: SuperDriverAI: Towards Design and Implementation for End-to-End
Learning-based Autonomous Driving
- arxiv url: http://arxiv.org/abs/2305.10443v1
- Date: Sun, 14 May 2023 10:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 19:07:51.616273
- Title: SuperDriverAI: Towards Design and Implementation for End-to-End
Learning-based Autonomous Driving
- Title(参考訳): SuperDriverAI: エンドツーエンド学習型自動運転の設計と実装に向けて
- Authors: Shunsuke Aoki, Issei Yamamoto, Daiki Shiotsuka, Yuichi Inoue, Kento
Tokuhiro, and Keita Miwa
- Abstract要約: 我々はSuperDriver AIというエンド・ツー・エンドの学習に基づく自律走行システムを提案する。
Deep Neural Networks (DNN)は、経験豊富な人間ドライバーから運転行動とポリシーを学び、運転操作を決定する。
我々は東京の1つの運転シナリオで150回の走行を収集し、現実世界の車両でSuperDriver AIのデモを見せた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fully autonomous driving has been widely studied and is becoming increasingly
feasible. However, such autonomous driving has yet to be achieved on public
roads, because of various uncertainties due to surrounding human drivers and
pedestrians. In this paper, we present an end-to-end learningbased autonomous
driving system named SuperDriver AI, where Deep Neural Networks (DNNs) learn
the driving actions and policies from the experienced human drivers and
determine the driving maneuvers to take while guaranteeing road safety. In
addition, to improve robustness and interpretability, we present a slit model
and a visual attention module. We build a datacollection system and emulator
with real-world hardware, and we also test the SuperDriver AI system with
real-world driving scenarios. Finally, we have collected 150 runs for one
driving scenario in Tokyo, Japan, and have shown the demonstration of
SuperDriver AI with the real-world vehicle.
- Abstract(参考訳): 完全自動運転は広く研究され、ますます実現可能になっている。
しかし、周囲のドライバーや歩行者による様々な不確実性のため、公道での自動運転はまだ実現されていない。
本稿では,Deep Neural Networks(DNN)が経験豊富なドライバから運転動作とポリシーを学習し,道路安全を確保しながら運転操作を決定する,SuperDriver AIというエンドツーエンドの学習ベース自動運転システムを提案する。
さらに,頑健性と解釈性を向上させるため,スリットモデルと視覚的注意モジュールを提案する。
我々は、実世界のハードウェアでデータ収集システムとエミュレータを構築し、実世界の運転シナリオでSuperDriver AIシステムをテストする。
最後に,1回の運転シナリオで150ランを収集し,実世界の車両を用いたスーパードライバーaiのデモンストレーションを行った。
関連論文リスト
- The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。
DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
論文 参考訳(メタデータ) (2025-02-14T18:43:15Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳(メタデータ) (2024-05-14T09:42:21Z) - End-To-End Training and Testing Gamification Framework to Learn Human Highway Driving [3.234017706225293]
本稿では,自律走行自動車のためのゲームベースのエンドツーエンド学習およびテストフレームワークを提案する。
人気ゲーム「グランドセフト・オートV」を使って高速道路の運転データを収集する。
エンド・ツー・エンドのアーキテクチャは、ゲーム画面の画像により車両を制御する操舵およびスロットル値を予測する。
論文 参考訳(メタデータ) (2024-04-16T18:51:58Z) - Scaling Is All You Need: Autonomous Driving with JAX-Accelerated Reinforcement Learning [9.25541290397848]
強化学習は、ビデオゲームのような複雑な領域で最高の人間よりも優れていることが実証されている。
自律運転のための大規模強化学習実験を行っている。
我々の最高の実行方針は、最先端の機械学習による自律運転のポリシーと比較して、運転進捗率を25%向上させながら、失敗率を64%削減します。
論文 参考訳(メタデータ) (2023-12-23T00:07:06Z) - 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) - 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) - Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。
インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。
これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
論文 参考訳(メタデータ) (2022-02-08T11:55:05Z) - An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
本稿では,インテリジェントな自動運転トラックシステムについて紹介する。
提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。
また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
論文 参考訳(メタデータ) (2021-12-31T04:54:13Z) - AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning [17.43502069023518]
本稿では, 応答セットプログラミング(ASP)と目標指向の s(CASP) ASP システムを用いてコモンセンス推論の自動化について論じる。
我々の研究の目的は、人間の運転者の心をシミュレートして動く自動運転システムを開発することである。
論文 参考訳(メタデータ) (2021-10-17T14:50:41Z) - Autonomous Driving with Deep Learning: A Survey of State-of-Art
Technologies [12.775642557933908]
これはディープラーニング手法を用いた自動運転技術のサーベイである。
本稿では,認識,マッピングとローカライゼーション,予測,計画と制御,シミュレーション,V2X,安全性など,自動運転システムの主要な分野について検討する。
論文 参考訳(メタデータ) (2020-06-10T22:21:57Z)
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。