Fugu-MT 論文翻訳(概要): CAT: Closed-loop Adversarial Training for Safe End-to-End Driving

論文の概要: CAT: Closed-loop Adversarial Training for Safe End-to-End Driving

arxiv url: http://arxiv.org/abs/2310.12432v1
Date: Thu, 19 Oct 2023 02:49:31 GMT
ステータス: 処理完了
システム内更新日: 2023-10-20 17:17:25.254395
Title: CAT: Closed-loop Adversarial Training for Safe End-to-End Driving
Title（参考訳）: CAT: エンド・ツー・エンド運転のためのクローズドループ対応トレーニング
Authors: Linrui Zhang and Zhenghao Peng and Quanyi Li and Bolei Zhou
Abstract要約: Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
参考スコア（独自算出の注目度）: 54.60865656161679
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Driving safety is a top priority for autonomous vehicles. Orthogonal to prior work handling accident-prone traffic events by algorithm designs at the policy level, we investigate a Closed-loop Adversarial Training (CAT) framework for safe end-to-end driving in this paper through the lens of environment augmentation. CAT aims to continuously improve the safety of driving agents by training the agent on safety-critical scenarios that are dynamically generated over time. A novel resampling technique is developed to turn log-replay real-world driving scenarios into safety-critical ones via probabilistic factorization, where the adversarial traffic generation is modeled as the multiplication of standard motion prediction sub-problems. Consequently, CAT can launch more efficient physical attacks compared to existing safety-critical scenario generation methods and yields a significantly less computational cost in the iterative learning pipeline. We incorporate CAT into the MetaDrive simulator and validate our approach on hundreds of driving scenarios imported from real-world driving datasets. Experimental results demonstrate that CAT can effectively generate adversarial scenarios countering the agent being trained. After training, the agent can achieve superior driving safety in both log-replay and safety-critical traffic scenarios on the held-out test set. Code and data are available at https://metadriverse.github.io/cat.
Abstract（参考訳）: 自動運転車にとって安全の運転が最優先事項だ。ポリシレベルでのアルゴリズム設計による事故発生時のトラヒックイベントを扱う先行作業と直交し,安全運転のためのcat(closed-loop adversarial training)フレームワークについて,環境拡張のレンズを用いて検討する。 CATは、時間とともに動的に発生する安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。対向的なトラフィック生成を標準動作予測サブプロブレムの乗算としてモデル化する確率的因子化により、ログ再生現実の運転シナリオを安全クリティカルなシナリオに変換するための新しい再サンプリング手法を開発した。その結果、catは既存の安全-クリティカルシナリオ生成手法よりも効率的な物理的攻撃を起動でき、反復学習パイプラインの計算コストが大幅に削減される。 CATをMetaDriveシミュレータに組み込んで、現実の運転データセットからインポートされた数百の運転シナリオに対するアプローチを検証する。実験の結果、CATは訓練中のエージェントに対抗して敵シナリオを効果的に生成できることが示された。トレーニング後、エージェントはホールドアウトテストセット上で、ログリプレイとセーフティクリティカルなトラフィックシナリオの両方において、優れた運転安全性を達成することができる。コードとデータはhttps://metadriverse.github.io/catで入手できる。

関連論文リスト

CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-11-26T00:00:27Z)
ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文参考訳（メタデータ） (2024-09-12T08:26:33Z)
RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文参考訳（メタデータ） (2024-05-07T23:32:36Z)
Bridging Data-Driven and Knowledge-Driven Approaches for Safety-Critical Scenario Generation in Automated Vehicle Validation [5.063522035689929]
自動走行車(ADV)は、運転効率と安全性を高めることを約束するが、安全クリティカルなシナリオでは課題に直面している。本稿では,データ駆動型と知識駆動型という2つの主要なシナリオ生成ソリューションを採用する複雑さについて検討する。安全クリティカルなシナリオ生成フレームワークであるBridgeGenを紹介します。
論文参考訳（メタデータ） (2023-11-18T02:11:14Z)
Generating and Explaining Corner Cases Using Learnt Probabilistic Lane Graphs [5.309950889075669]
本稿では,車両が走行する車線の位置と方向の有限セットを記述するために,確率的レーングラフ(PLG)を導入する。 PLGの構造は、歴史的交通データから直接学習される。我々は、このポリシーを変更するために強化学習技術を使用し、現実的で説明可能なコーナーケースシナリオを生成する。
論文参考訳（メタデータ） (2023-08-25T20:17:49Z)
Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文参考訳（メタデータ） (2022-10-31T20:12:17Z)
KING: Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients [39.9379344872937]
現在の運転シミュレータは、バックグラウンドトラフィックの「行動モデル」を示す。手動のシナリオは通常、安全クリティカルな状況を引き起こすシミュレーション中に追加される。ブラックボックス最適化よりも20%高い成功率で安全クリティカルな運転シナリオを生成するKINGを提案する。
論文参考訳（メタデータ） (2022-04-28T17:48:48Z)
Optimizing Trajectories for Highway Driving with Offline Reinforcement Learning [11.970409518725491]
自律運転に対する強化学習に基づくアプローチを提案する。我々のエージェントの性能を他の4つのハイウェイ運転エージェントと比較する。ランダムに収集されたデータを持つオフライントレーニングエージェントが、望ましい速度に可能な限り近い速度で、他のエージェントよりも優れた速度で、スムーズに駆動することを学ぶことを実証します。
論文参考訳（メタデータ） (2022-03-21T13:13:08Z)
Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文参考訳（メタデータ） (2021-03-12T17:00:23Z)
Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。