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
- Scaling Is All You Need: Autonomous Driving with JAX-Accelerated
Reinforcement Learning [9.92963228768333]
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) - Large Language Models for Autonomous Driving: Real-World Experiments [11.858853494266873]
我々は,人間からの音声コマンドを処理する枠組みを導入し,文脈情報を用いて自律運転決定を行う。
このフレームワークは、様々なドライバーの乗っ取り率を最大90.1%削減することができる。
われわれの知る限りでは、Talk2DriveはLLMベースのシステムを現実の自動運転環境に導入した最初の例だ。
論文 参考訳(メタデータ) (2023-12-14T23:23:37Z) - 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) - 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) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳(メタデータ) (2022-11-03T20:16:24Z) - 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。