論文の概要: Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement
Learning in CARLA
- arxiv url: http://arxiv.org/abs/2311.10735v1
- Date: Mon, 23 Oct 2023 04:23:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-27 01:00:36.043460
- Title: Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement
Learning in CARLA
- Title（参考訳）: 安全ナビゲーション:深層強化学習による自動運転車の訓練
- Authors: Ghadi Nehme, Tejas Y. Deo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autonomous vehicles have the potential to revolutionize transportation, but
they must be able to navigate safely in traffic before they can be deployed on
public roads. The goal of this project is to train autonomous vehicles to make
decisions to navigate in uncertain environments using deep reinforcement
learning techniques using the CARLA simulator. The simulator provides a
realistic and urban environment for training and testing self-driving models.
Deep Q-Networks (DQN) are used to predict driving actions. The study involves
the integration of collision sensors, segmentation, and depth camera for better
object detection and distance estimation. The model is tested on 4 different
trajectories in presence of different types of 4-wheeled vehicles and
pedestrians. The segmentation and depth cameras were utilized to ensure
accurate localization of objects and distance measurement. Our proposed method
successfully navigated the self-driving vehicle to its final destination with a
high success rate without colliding with other vehicles, pedestrians, or going
on the sidewalk. To ensure the optimal performance of our reinforcement
learning (RL) models in navigating complex traffic scenarios, we implemented a
pre-processing step to reduce the state space. This involved processing the
images and sensor output before feeding them into the model. Despite
significantly decreasing the state space, our approach yielded robust models
that successfully navigated through traffic with high levels of safety and
accuracy.
- Abstract（参考訳）: 自動運転車は交通に革命をもたらす可能性があるが、公道に配備される前に安全に交通を航行できなければならない。
このプロジェクトの目的は、CARLAシミュレーターを用いた深層強化学習技術を用いて、不確実な環境での走行を決定するための自動運転車の訓練である。
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。
ディープqネットワーク(dqn)は運転行動の予測に用いられる。
この研究は、衝突センサー、セグメンテーション、深度カメラを統合し、より優れた物体検出と距離推定を行う。
このモデルは、4輪車と歩行者の異なるタイプの存在下で、4つの異なる軌道でテストされている。
セグメンテーションと深度カメラは、物体の正確な位置決めと距離測定のために使用された。
提案手法は,他の車両や歩行者と衝突したり歩道を走行したりすることなく,自動運転車を最終目的地まで移動させることに成功した。
複雑な交通シナリオをナビゲートする際の強化学習(RL)モデルの最適性能を確保するため,我々は状態空間を削減するための前処理ステップを実装した。
これは、イメージとセンサーの出力をモデルに入力する前に処理する。
状態空間を著しく削減したにも関わらず,高レベルの安全性と精度でトラフィックをナビゲートする頑健なモデルを構築した。
関連論文リスト
- 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) - Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts [3.2230833657560503]
我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
論文 参考訳（メタデータ） (2022-11-03T20:16:24Z) - Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。
オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。
提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文 参考訳（メタデータ） (2022-09-06T12:01:07Z) - Exploring the trade off between human driving imitation and safety for
traffic simulation [0.34410212782758043]
運転方針の学習において,人間の運転の模倣と安全維持との間にはトレードオフが存在することを示す。
両目的を協調的に改善する多目的学習アルゴリズム(MOPPO)を提案する。
論文 参考訳（メタデータ） (2022-08-09T14:30:19Z) - 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) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Self-Supervised Steering Angle Prediction for Vehicle Control Using
Visual Odometry [55.11913183006984]
視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。
車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-20T16:29:01Z) - 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) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - PLOP: Probabilistic poLynomial Objects trajectory Planning for
autonomous driving [8.105493956485583]
条件付き模倣学習アルゴリズムを用いて,エゴ車とその周辺地域の軌道を推定する。
私たちのアプローチは計算効率が高く、オンボードセンサーのみに依存します。
公開データセットnuScenesでオフラインで評価する。
論文 参考訳（メタデータ） (2020-03-09T16:55:07Z)
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。