Fugu-MT 論文翻訳(概要): Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation

論文の概要: Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation

arxiv url: http://arxiv.org/abs/2306.11217v1
Date: Tue, 20 Jun 2023 00:54:20 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 16:01:15.936277
Title: Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation
Title（参考訳）: CARLAシミュレーションにおける深部強化学習による自律運転
Authors: Jumman Hossain
Abstract要約: 我々は、Deep Q-Learningを使用して、自動運転車が他の車両を避けながら、最高速度で車線を維持できるポリシーを学ぶ。その後、我々はCARLAシミュレーション環境を使用して、新たに取得したポリシーをテストし、検証した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, autonomous vehicles are gaining traction due to their numerous potential applications in resolving a variety of other real-world challenges. However, developing autonomous vehicles need huge amount of training and testing before deploying it to real world. While the field of reinforcement learning (RL) has evolved into a powerful learning framework to the development of deep representation learning, and it is now capable of learning complicated policies in high-dimensional environments like in autonomous vehicles. In this regard, we make an effort, using Deep Q-Learning, to discover a method by which an autonomous car may maintain its lane at top speed while avoiding other vehicles. After that, we used CARLA simulation environment to test and verify our newly acquired policy based on the problem formulation.
Abstract（参考訳）: 現在、自動運転車は、様々な現実世界の課題を解決するための多くの潜在的な応用により、勢いを増している。しかし、自動運転車の開発には、現実世界に配備する前に大量のトレーニングとテストが必要になる。強化学習(RL)の分野は、深層表現学習の発展に向けた強力な学習フレームワークへと発展してきたが、現在では自動運転車のような高次元環境で複雑な政策を学ぶことができる。そこで本研究では,Deep Q-Learningを用いて,自動運転車が車線を最高速度で維持し,他の車両を避ける方法を提案する。その後,carlaシミュレーション環境を用いて,問題定式化に基づいて新たに獲得したポリシーを検証・検証した。

関連論文リスト

Self-Driving Car Racing: Application of Deep Reinforcement Learning [0.0]
このプロジェクトの目的は、OpenAI Gymnasium CarRacing環境でシミュレーションカーを効率的に駆動するAIエージェントを開発することである。本稿では,DQN(Deep Q-Network)やPPO(Proximal Policy Optimization)などのRLアルゴリズムや,トランスファーラーニングとリカレントニューラルネットワーク(RNN)を組み込んだ新たな適応手法について検討する。
論文参考訳（メタデータ） (2024-10-30T07:32:25Z)
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)
LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
論文参考訳（メタデータ） (2023-11-02T07:23:33Z)
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)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
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)
Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文参考訳（メタデータ） (2021-11-23T20:14:02Z)
An Independent Study of Reinforcement Learning and Autonomous Driving [0.0]
表層環境のQ-ラーニングアルゴリズムについて検討し,その手法をタクシーのOpenAi Gym環境に適用した。次に,Cart-Pole環境における深層Q-networkアルゴリズムの理解と実装を行った。高速道路のジャム環境を利用して荒々しい自律運転エージェントを訓練し,報酬関数などの環境構成がエージェント訓練性能に及ぼす影響について検討した。
論文参考訳（メタデータ） (2021-08-20T23:46:12Z)
Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2021-07-18T00:00:48Z)
SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for Autonomous Driving [96.50297622371457]
マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。 SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
論文参考訳（メタデータ） (2020-10-19T18:26:10Z)
Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning [32.97789225998642]
本稿では,エンドツーエンド自動運転のための解釈可能な深部強化学習手法を提案する。逐次潜在環境モデルを導入し、強化学習プロセスと共同で学習する。本手法は,自動車が運転環境にどう影響するかを,よりよく説明することができる。
論文参考訳（メタデータ） (2020-01-23T18:36:35Z)

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。