論文の概要: PCG-based Static Underground Garage Scenario Generation
- arxiv url: http://arxiv.org/abs/2307.03988v1
- Date: Sat, 8 Jul 2023 14:33:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 16:06:32.800062
- Title: PCG-based Static Underground Garage Scenario Generation
- Title（参考訳）: PCGに基づく静的地下ガベージシナリオ生成
- Authors: Wenjin Li and Kai Li
- Abstract要約: 踏切レベルL0からL5への鍵は、自動運転モデルのトレーニングにある。
モデルをトレーニングするために、実際の道路データのみに頼るだけでは十分ではなく、大量のリソースを消費します。
本稿ではSarsaアルゴリズムを用いて地下のガレージ構造における手続き的コンテンツ生成を解決する。
- 参考スコア（独自算出の注目度）: 10.81386784858998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving technology has five levels, from L0 to L5. Currently, only
the L2 level (partial automation) can be achieved, and there is a long way to
go before reaching the final level of L5 (full automation). The key to crossing
these levels lies in training the autonomous driving model. However, relying
solely on real-world road data to train the model is far from enough and
consumes a great deal of resources. Although there are already examples of
training autonomous driving models through simulators that simulate real-world
scenarios, these scenarios require complete manual construction. Directly
converting 3D scenes from road network formats will lack a large amount of
detail and cannot be used as training sets. Underground parking garage static
scenario simulation is regarded as a procedural content generation (PCG)
problem. This paper will use the Sarsa algorithm to solve procedural content
generation on underground garage structures.
- Abstract（参考訳）: 自動運転技術にはL0からL5までの5つのレベルがある。
現在、l2レベル(部分自動化)のみが達成でき、l5(フルオートメーション)の最終レベルに到達するまでには長い道のりがあります。
これらのレベルを横断する鍵は、自動運転モデルのトレーニングにある。
しかし、モデルをトレーニングするための実際の道路データのみに頼るだけでは十分ではなく、大量のリソースを消費します。
実世界のシナリオをシミュレートするシミュレータを通じて、すでに自動運転モデルをトレーニングする例があるが、これらのシナリオには完全な手動構築が必要である。
道路ネットワークフォーマットから直接3Dシーンを変換することは、大量の詳細を欠き、トレーニングセットとして使用できない。
地下駐車場の静的シナリオシミュレーションは手続き的コンテンツ生成(PCG)問題と見なされる。
本稿ではSarsaアルゴリズムを用いて地下のガレージ構造における手続き的コンテンツ生成を解決する。
関連論文リスト
- Deep Reinforcement Learning for Adverse Garage Scenario Generation [5.482809279542029]
本論文では,自律運転シミュレーションテストのための自動プログラム生成フレームワークを提案する。
深層強化学習に基づいて、3Dモデルファイルとマップモデルファイルが構築される異なる2Dグラウンドスクリプトコードを生成することができる。
生成された3DグラウンドシーンはCarlaシミュレータに表示され、実験者はこのシーンをナビゲーションアルゴリズムのシミュレーションテストに使用することができる。
論文 参考訳（メタデータ） (2024-07-01T14:41:18Z) - DriveWorld: 4D Pre-trained Scene Understanding via World Models for Autonomous Driving [67.46481099962088]
現在の視覚中心の事前訓練は、通常、2Dまたは3Dのプリテキストタスクに依存し、自律運転の時間的特性を4Dシーン理解タスクとして見落としている。
我々は,マルチカメラ駆動ビデオからテンポラリな方法で事前学習が可能なEmphcentricDriveWorldを紹介した。
DriveWorldは、さまざまな自動運転タスクに関する有望な結果を提供する。
論文 参考訳（メタデータ） (2024-05-07T15:14:20Z) - Exploration of the Assessment for AVP Algorithm Training in Underground
Parking Garages Simulation Scenario [0.0]
自動運転車の自動運転バレットパーキング(AVP)機能は現在、最も単純なパーキングタスクを処理できる。
AVPアルゴリズムが複雑なシナリオに適応し、任意の状況でパーキングタスクを完了するためには、さらなるトレーニングが必要である。
本稿では,事前に入力された2次元地下駐車場構造計画に基づいて,様々な難易度を有する3次元地下駐車場シミュレーションシナリオを自動生成する手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T09:07:16Z) - Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳（メタデータ） (2023-06-27T17:58:39Z) - 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) - Improving the Generalization of End-to-End Driving through Procedural
Generation [35.41368856679809]
エンドツーエンド運転の一般化をより良く評価し、改善するために、PGDriveと呼ばれるオープンエンド駆動シミュレータをリリースします。
我々は,プロシージャ生成シーンの増加によるトレーニングが,交通密度や道路網の異なるシナリオにおけるエージェントの一般化を著しく改善することを検証する。
論文 参考訳（メタデータ） (2020-12-26T06:23:14Z) - Learning from Simulation, Racing in Reality [126.56346065780895]
ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。
シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
論文 参考訳（メタデータ） (2020-11-26T14:58:49Z) - Robust Reinforcement Learning-based Autonomous Driving Agent for
Simulation and Real World [0.0]
本稿では,Deep Q-Networks (DQN) を用いた自律型ロボット制御を実現するDRLベースのアルゴリズムを提案する。
本手法では,エージェントはシミュレーション環境で訓練され,シミュレーション環境と実環境環境の両方をナビゲートすることができる。
トレーニングされたエージェントは限られたハードウェアリソース上で動作することができ、そのパフォーマンスは最先端のアプローチに匹敵する。
論文 参考訳（メタデータ） (2020-09-23T15:23:54Z) - LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。
まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。
本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文 参考訳（メタデータ） (2020-06-16T17:44:35Z)
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。
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。