論文の概要: LaksNet: an end-to-end deep learning model for self-driving cars in Udacity simulator

• arxiv url: http://arxiv.org/abs/2310.16103v1
• Date: Tue, 24 Oct 2023 18:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 18:49:23.770944
• Title: LaksNet: an end-to-end deep learning model for self-driving cars in Udacity simulator
• Title（参考訳）: LaksNet:Udacityシミュレーターにおける自動運転車のエンドツーエンドディープラーニングモデル
• Authors: Lakshmikar R. Polamreddy and Youshan Zhang
• Abstract要約: 我々はLaksNetと呼ばれる新しい効果的畳み込みニューラルネットワークモデルを提案する。 我々のモデルは、シミュレーターのトラックを降りることなく走行する車の走行時間において、既存のImageNetやNVIDIAモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 10.55169962608886
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The majority of road accidents occur because of human errors, including distraction, recklessness, and drunken driving. One of the effective ways to overcome this dangerous situation is by implementing self-driving technologies in vehicles. In this paper, we focus on building an efficient deep-learning model for self-driving cars. We propose a new and effective convolutional neural network model called `LaksNet' consisting of four convolutional layers and two fully connected layers. We conduct extensive experiments using our LaksNet model with the training data generated from the Udacity simulator. Our model outperforms many existing pre-trained ImageNet and NVIDIA models in terms of the duration of the car for which it drives without going off the track on the simulator.
• Abstract（参考訳）: 道路事故の大半は、注意散らし、無謀さ、飲酒運転など、人間の間違いによるものである。 この危険な状況を克服する効果的な方法の1つは、車両に自動運転技術を実装することである。 本稿では、自動運転車のための効率的なディープラーニングモデルの構築に着目する。 本研究では、4つの畳み込み層と2つの完全連結層からなる新しい効果的畳み込みニューラルネットワークモデル「ラークスネット」を提案する。 Udacityシミュレータから生成されたトレーニングデータを用いて,LaksNetモデルを用いた広範な実験を行った。 我々のモデルは、シミュレーターのトラックを降りることなく走行する車の走行時間において、既存のImageNetやNVIDIAモデルよりも優れています。

関連論文リスト

• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement Learning in CARLA [0.0]
  このプロジェクトの目的は、深層強化学習技術を用いて、不確実な環境での走行を判断できるように自動運転車を訓練することである。 シミュレータは、自動運転モデルのトレーニングとテストのための現実的で都市環境を提供する。
  論文  参考訳（メタデータ） (2023-10-23T04:23:07Z)
• 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)
• 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)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks [26.558394047144006]
  大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。 高忠実度運転シミュレータで7000km以上の評価を行う。 本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
  論文  参考訳（メタデータ） (2020-11-13T06:13:28Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Application of Neuroevolution in Autonomous Cars [0.0]
  我々は、トレーニングにデータを必要としないシステムを提案する。進化モデルは、フィットネス機能に向けて最適化する能力を持つだろう。 我々は、Unreal Engine 4の助けを借りて、シミュレーション仮想環境で自動運転車を訓練・進化させるための遺伝的アルゴリズムであるNeuroevolutionを実装した。
  論文  参考訳（メタデータ） (2020-06-26T19:06:32Z)

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。