論文の概要: Traffic Flow Simulation for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2307.16762v1
- Date: Sun, 23 Jul 2023 02:51:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-06 11:21:02.380794
- Title: Traffic Flow Simulation for Autonomous Driving
- Title（参考訳）: 自動運転のための交通流シミュレーション
- Authors: Junfeng Li, Changqing Yan
- Abstract要約: 本稿では, セルラーオートマトンに基づく車両運動モデルと自転車インテリジェンス理論を適用し, 自律走行のシミュレーション環境を構築する。
自動運転車のアーキテクチャは一般的に認識システム、意思決定システム、制御システムに分けられる。
- 参考スコア（独自算出の注目度）: 5.39623346513589
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A traffic system is a random and complex large system, which is difficult to
conduct repeated modelling and control research in a real traffic environment.
With the development of automatic driving technology, the requirements for
testing and evaluating the development of automatic driving technology are
getting higher and higher, so the application of computer technology for
traffic simulation has become a very effective technical means. Based on the
micro-traffic flow modelling, this paper adopts the vehicle motion model based
on cellular automata and the theory of bicycle intelligence to build the
simulation environment of autonomous vehicle flow. The architecture of
autonomous vehicles is generally divided into a perception system, decision
system and control system. The perception system is generally divided into many
subsystems, responsible for autonomous vehicle positioning, obstacle
recognition, traffic signal detection and recognition and other tasks. Decision
systems are typically divided into many subsystems that are responsible for
tasks such as path planning, path planning, behavior selection, motion
planning, and control. The control system is the basis of the selfdriving car,
and each control system of the vehicle needs to be connected with the
decision-making system through the bus, and can accurately control the
acceleration degree, braking degree, steering amplitude, lighting control and
other driving actions according to the bus instructions issued by the
decision-making system, so as to achieve the autonomous driving of the vehicle.
- Abstract（参考訳）: 交通システムはランダムで複雑な大規模システムであり、実際の交通環境において繰り返しモデリングや制御研究を行うことは困難である。
自動運転技術の発展に伴い、自動運転技術の試験・評価の要件がますます高くなってきているため、交通シミュレーションにおけるコンピュータ技術の応用が極めて有効な技術手段となっている。
本稿では,マイクロトラフィックフローモデリングに基づいて,セルオートマトンに基づく車両運動モデルと自転車知能理論を採用し,自律車両流れのシミュレーション環境を構築する。
自動運転車のアーキテクチャは一般的に認識システム、意思決定システム、制御システムに分けられる。
認識システムは一般に多くのサブシステムに分けられ、自動運転車の位置決め、障害物認識、信号の検出と認識、その他のタスクに責任を負う。
意思決定システムは通常、経路計画、経路計画、行動選択、行動計画、制御などのタスクに責任を持つ多くのサブシステムに分割される。
制御システムは、自動運転車の基礎であり、車両の各制御システムは、バスを介して意思決定システムに接続される必要があり、車両の自律運転を実現するために、意思決定システムによって発行されたバス指示に従って、加速度、ブレーキ度、ステアリング振幅、照明制御その他の運転動作を正確に制御することができる。
関連論文リスト
- DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in
Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。
DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。
このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文 参考訳（メタデータ） (2024-01-08T03:06:02Z) - NeuroFlow: Development of lightweight and efficient model integration
scheduling strategy for autonomous driving system [0.0]
本稿では,自動車システムの独特な制約と特性を考慮した自律運転システムを提案する。
提案システムは、自律運転における複雑なデータフローを体系的に分析し、ディープラーニングモデルに影響を与える様々な要因を動的に調整する機能を提供する。
論文 参考訳（メタデータ） (2023-12-15T07:51:20Z) - Integrated Decision and Control for High-Level Automated Vehicles by
Mixed Policy Gradient and Its Experiment Verification [10.393343763237452]
本稿では,IDC(Integrated Decision and Control)に基づく自己進化型意思決定システムを提案する。
制約付き混合ポリシー勾配 (CMPG) と呼ばれるRLアルゴリズムは、IDCの駆動ポリシーを継続的に更新するために提案される。
実験結果から, モデルに基づく手法よりも運転能力の向上が期待できることがわかった。
論文 参考訳（メタデータ） (2022-10-19T14:58:41Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳（メタデータ） (2022-07-30T16:23:45Z) - 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) - 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) - Parallelized and Randomized Adversarial Imitation Learning for
Safety-Critical Self-Driving Vehicles [11.463476667274051]
運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。
本稿では,RAILアルゴリズムを提案する。
提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
論文 参考訳（メタデータ） (2021-12-26T23:42:49Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the
First CARLA Autonomous Driving Challenge [49.976633450740145]
本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。
我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
論文 参考訳（メタデータ） (2020-10-23T18:07:48Z)
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。