論文の概要: Exploration of the Assessment for AVP Algorithm Training in Underground
Parking Garages Simulation Scenario
- arxiv url: http://arxiv.org/abs/2311.08410v1
- Date: Tue, 17 Oct 2023 09:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-19 14:03:13.672586
- Title: Exploration of the Assessment for AVP Algorithm Training in Underground
Parking Garages Simulation Scenario
- Title（参考訳）: 地下駐車場シミュレーションシナリオにおけるappアルゴリズム学習の評価の検討
- Authors: Wenjin Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The autonomous valet parking (AVP) functionality in self-driving vehicles is
currently capable of handling most simple parking tasks. However, further
training is necessary to enable the AVP algorithm to adapt to complex scenarios
and complete parking tasks in any given situation. Training algorithms with
real-world data is time-consuming and labour-intensive, and the current state
of constructing simulation environments is predominantly manual. This paper
introduces an approach to automatically generate 3D underground garage
simulation scenarios of varying difficulty levels based on pre-input 2D
underground parking structure plans.
- Abstract（参考訳）: 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。
しかし、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。
実世界のデータを用いたトレーニングアルゴリズムは時間がかかり、労働集約的であり、シミュレーション環境の構築の現状は主に手作業である。
本稿では,事前入力された2次元地下駐車場計画に基づいて,難易度レベルの異なる3次元地下ガレージシミュレーションシナリオを自動的に生成する手法を提案する。
関連論文リスト
- Automated Parking Planning with Vision-Based BEV Approach [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車アルゴリズムの改良,車両運動モデルの統合,機能最適化,双方向探索,ベジエ曲線最適化を提案する。
従来のアルゴリズムと比較して、より困難な衝突リスクテストケースで計算時間を短縮し、快適なメトリクスのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-05-24T15:26:09Z) - Automatic parking planning control method based on improved A* algorithm [10.936433798200907]
本稿では,A*アルゴリズムに基づく自動駐車計画アルゴリズムの改良を提案し,自動駐車の制御モジュールとしてモデル予測制御(MPC)を用いる。
このアルゴリズムは、関数の最適化、バイナリヒープの最適化、双方向検索により、リアルタイムの計画性能を向上させる。
MPCは、計画された軌道に沿って車を運転する制御コマンドを出力するために使用される。
論文 参考訳（メタデータ） (2024-05-24T15:26:07Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - PCG-based Static Underground Garage Scenario Generation [10.81386784858998]
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。
論文 参考訳（メタデータ） (2023-07-08T14:33:06Z) - 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) - 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) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement
Learning [52.2663102239029]
アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。
本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。
配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
論文 参考訳（メタデータ） (2021-03-08T05:34:05Z) - 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) - Intelligent Roundabout Insertion using Deep Reinforcement Learning [68.8204255655161]
本稿では,多忙なラウンドアバウンドの入場を交渉できる演習計画モジュールを提案する。
提案されたモジュールは、トレーニングされたニューラルネットワークに基づいて、操作の全期間にわたって、ラウンドアバウンドに入るタイミングと方法を予測する。
論文 参考訳（メタデータ） (2020-01-03T11:16:41Z)
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。