論文の概要: Racing Towards Reinforcement Learning based control of an Autonomous Formula SAE Car

• arxiv url: http://arxiv.org/abs/2308.13088v1
• Date: Thu, 24 Aug 2023 21:16:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 15:42:46.114298
• Title: Racing Towards Reinforcement Learning based control of an Autonomous Formula SAE Car
• Title（参考訳）: 自律型フォーミュラSAE車の強化学習制御に向けたレース
• Authors: Aakaash Salvaji, Harry Taylor, David Valencia, Trevor Gee, Henry Williams
• Abstract要約: 本稿では,自動レースカーのエンド・ツー・エンド制御における深層強化学習(RL)の活用に関する最初の研究について述べる。 本稿では,Turtlebot2プラットフォーム上でのフルスケール設計に類似したトラック上で,2つの最先端RLアルゴリズムをシミュレーションで訓練する。 その結果,本手法はシミュレーションでレースを学習し,物理プラットフォーム上で現実の競馬場に移動することに成功した。
• 参考スコア（独自算出の注目度）: 1.0124625066746598
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the rising popularity of autonomous navigation research, Formula Student (FS) events are introducing a Driverless Vehicle (DV) category to their event list. This paper presents the initial investigation into utilising Deep Reinforcement Learning (RL) for end-to-end control of an autonomous FS race car for these competitions. We train two state-of-the-art RL algorithms in simulation on tracks analogous to the full-scale design on a Turtlebot2 platform. The results demonstrate that our approach can successfully learn to race in simulation and then transfer to a real-world racetrack on the physical platform. Finally, we provide insights into the limitations of the presented approach and guidance into the future directions for applying RL toward full-scale autonomous FS racing.
• Abstract（参考訳）: 自律ナビゲーション研究の人気が高まり、フォーミュラ・学生(FS)イベントはイベントリストにドライバーレス・ビークル(DV)カテゴリーを導入している。 本稿では、これらの競技において、自動FSレースカーのエンドツーエンド制御にDeep Reinforcement Learning (RL)を活用するための最初の研究について述べる。 turtlebot2 プラットフォーム上のフルスケール設計に類似したトラック上で,最先端の rl アルゴリズムをシミュレーションしてトレーニングする。 その結果,本手法はシミュレーションでレースを学習し,物理プラットフォーム上で現実の競馬場に移動することに成功した。 最後に,提案手法の限界と,rlをフルスケールの自律型fsレーシングに適用するための今後の方向性について考察する。

関連論文リスト

• A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data [12.804541200469536]
  本稿では,自動走行アルゴリズムの試験,検証,ベンチマークを行うためのシミュレータAssetto Corsaに基づくレースシミュレーションプラットフォームを提案する。 私たちのコントリビューションには、このシミュレーションプラットフォームの開発、レース環境に適した最先端のアルゴリズムのいくつか、人間ドライバーから収集された包括的なデータセットなどが含まれています。
  論文  参考訳（メタデータ） (2024-07-23T17:45:16Z)
• Deep Reinforcement Learning for Local Path Following of an Autonomous Formula SAE Vehicle [0.36868085124383626]
  本稿では, ディープ強化学習(DRL)と逆強化学習(IRL)を用いて, ローカルに観測されたコーンの位置を, レーストラック追従のための所望の操舵角度にマッピングする。 シミュレーションと実世界で行われたテストでは、両方のアルゴリズムがローカルパスのモデルトレーニングに成功していることを示唆している。
  論文  参考訳（メタデータ） (2024-01-05T17:04:43Z)
• er.autopilot 1.0: The Full Autonomous Stack for Oval Racing at High Speeds [61.91756903900903]
  インディ・オートノラティカル・チャレンジ (IAC) は、オープンホイールのレースカー上で独立して開発されたソフトウェアを使用して、前例のないスピードとヘッド・ツー・ヘッドのシナリオで競う9つの自律レースチームを集めた。 本稿では,チームTII EuroRacing (TII-ER) が使用するソフトウェアアーキテクチャについて述べる。静的障害物を避け,アクティブオーバーテイクを行い,75m/s (270 km/h) 以上の速度に達するために必要なモジュールをすべて網羅する。 総合的な結果と各モジュールのパフォーマンス、および、チームがそれぞれ2番目と3番目を置く楕円軌道上の競技の最初の2つのイベントで学んだ教訓について説明する。
  論文  参考訳（メタデータ） (2023-10-27T12:52:34Z)
• 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)
• Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes [0.0]
  本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。 人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築した。
  論文  参考訳（メタデータ） (2023-06-06T04:53:06Z)
• 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)
• 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)
• 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)
• Formula RL: Deep Reinforcement Learning for Autonomous Racing using Telemetry Data [4.042350304426975]
  この問題を,車両のテレメトリと連続的な動作空間からなる多次元入力を用いて強化学習タスクとして構成する。 我々は,2つの実験において,Deep Deterministic Policy gradient (DDPG) の10変種をレースに投入した。 研究によると、rlでトレーニングされたモデルは、オープンソースの手作りロボットよりも高速に運転できるだけでなく、未知のトラックに一般化できる。
  論文  参考訳（メタデータ） (2021-04-22T14:40:12Z)
• 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。