論文の概要: Combating the effects of speed and delays in end-to-end self-driving
- arxiv url: http://arxiv.org/abs/2312.06670v1
- Date: Wed, 6 Dec 2023 10:09:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:51:14.363783
- Title: Combating the effects of speed and delays in end-to-end self-driving
- Title（参考訳）: エンド・ツー・エンド自動運転における速度と遅延の影響
- Authors: Ardi Tampuu, Ilmar Uduste and Kristjan Roosild
- Abstract要約: 専門家の運転のデータセットがどのように収集され、モデルが専門家が異なる状況で何をするかを推測することを学ぶ。
高速運転を訓練したモデルでは、遅い運転と逆運転という一見簡単な作業が実行できないことを実験的に示す。
ここで議論されているアイデアのいくつかは、より広範な自動運転のコンテキストに移行可能である可能性がある。
- 参考スコア（独自算出の注目度）: 0.8287206589886881
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the behavioral cloning approach to end-to-end driving, a dataset of expert
driving is collected and the model learns to guess what the expert would do in
different situations. Situations are summarized in observations and the outputs
are low or mid-level commands (e.g. brake, throttle, and steering; or
trajectories). The models learn to match observations at time T to actions
recorded at T or as simultaneously as possible. However, when deploying the
models to the real world (or to an asynchronous simulation), the action
predicted based on observations at time T gets applied at T + $\Delta$ T. In a
variety of cases, $\Delta$ T can be considerable and significantly influence
performance.
We first demonstrate that driving at two different speeds is effectively two
different tasks. Delays partially cause this difference and linearly amplify
it. Even without computational delays, actuator delays and slipping due to
inertia result in the need to perform actions preemptively when driving fast.
The function mapping observations to commands becomes different compared to
slow driving. We experimentally show that models trained to drive fast cannot
perform the seemingly easier task of driving slow and vice-versa. Good driving
models may be judged to be poor due to testing them at "a safe low speed", a
task they cannot perform.
Secondly, we show how to counteract the effect of delays in end-to-end
networks by changing the target labels. This is in contrast to the approaches
attempting to minimize the delays, i.e. the cause, not the effect. To exemplify
the problems and solutions in the real world, we use 1:10 scale minicars with
limited computing power, using behavioral cloning for end-to-end driving. Some
of the ideas discussed here may be transferable to the wider context of
self-driving, to vehicles with more compute power and end-to-mid or modular
approaches.
- Abstract（参考訳）: エンドツーエンドの運転に対する行動クローニングアプローチでは、専門家駆動のデータセットが収集され、モデルが専門家が異なる状況で何をするかを推測する。
状況は観測で要約され、出力は低または中程度のコマンド(ブレーキ、スロットル、ステアリング、軌道など)である。
モデルは、時間Tでの観測とTで記録された行動とを可能な限り同時に一致させることを学ぶ。
しかし、モデルを実世界(あるいは非同期シミュレーション)にデプロイする場合、Tの観測値に基づいて予測されるアクションは、T + $\Delta$Tで適用される。
まず、2つの異なる速度での運転が事実上2つの異なるタスクであることを実証する。
遅延は部分的にこの差を引き起こし、線形に増幅する。
演算遅延がなくても、慣性によるアクチュエータの遅延と滑りは、高速運転時にプリエンプティブな動作を行う必要がある。
コマンドへの関数マッピングの観測は、遅い駆動と比較すると異なる。
高速運転を訓練したモデルでは、遅い運転と逆運転という一見簡単な作業が実行できないことを実験的に示す。
良い運転モデルは、彼らが実行できないタスクである「安全な低速度」でテストするため、貧弱であると判断されるかもしれない。
次に,エンド・ツー・エンドのネットワークにおける遅延の影響を,対象ラベルを変更することで対処する方法を示す。
これは、遅延を最小化しようとするアプローチ、すなわち原因を最小化しようとするアプローチとは対照的である。
実世界の問題を実証するために、エンド・ツー・エンド・ドライブの動作クローンを用いて、限られた計算能力を持つ1:10スケールのミニカーを使用する。
ここで議論されているアイデアのいくつかは、より計算力のある車やエンドツーエンドまたはモジュラーなアプローチに、より広範な自動運転のコンテキストに移行できるかもしれない。
関連論文リスト
- Doe-1: Closed-Loop Autonomous Driving with Large World Model [63.99937807085461]
統合された認識,予測,計画のための大規模駆動wOrld modEl(Doe-1)を提案する。
我々は自由形式のテキストを認識に使用し、画像トークンを用いてRGB空間内での予測を直接生成する。
計画には、アクションを離散トークンに効果的にエンコードするために、位置認識型トークン化器を用いる。
論文 参考訳（メタデータ） (2024-12-12T18:59:59Z) - HE-Drive: Human-Like End-to-End Driving with Vision Language Models [11.845309076856365]
HE-Driveは,人類初のエンドツーエンド自動運転システムである。
HE-Driveは、データセット上での最先端性能(すなわち、平均衝突速度をVADより71%削減)と効率(SparseDriveより1.9倍高速)を達成することを示す。
論文 参考訳（メタデータ） (2024-10-07T14:06:16Z) - MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Leveraging the Edge and Cloud for V2X-Based Real-Time Object Detection
in Autonomous Driving [0.0]
環境認識は自動運転の重要な要素である。
本稿では,自動運転車のリアルタイム認識における検出品質と遅延の最良のトレードオフについて検討する。
我々は,局所的な検出性能を向上しつつ,適切な圧縮を伴うモデルをクラウド上でリアルタイムに実行可能であることを示す。
論文 参考訳（メタデータ） (2023-08-09T21:39:10Z) - Autonomous Slalom Maneuver Based on Expert Drivers' Behavior Using
Convolutional Neural Network [0.39146761527401425]
本稿では,畳み込みニューラルネットワーク(CNN)を用いたドライバの動作を模倣する手法を提案する。
CNNモデルは所望のハンドル角度を計算し、適応的なPDコントローラに送信する。
いくつかの試験では、提案手法は専門家のドライバーよりもスムーズな操作を行った。
論文 参考訳（メタデータ） (2023-01-18T10:47:43Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Passive and Active Learning of Driver Behavior from Electric Vehicles [2.9623902973073375]
運転者の振る舞いをモデル化することは、電気自動車のエネルギー消費の予測など、自動車業界にいくつかの利点をもたらす。
機械学習手法はドライバーの行動分類に広く使われており、いくつかの課題をもたらす可能性がある。
これには、長期のウィンドウ上のシーケンスモデリングや、高価なアノテーションによるラベル付きデータの欠如が含まれる。
論文 参考訳（メタデータ） (2022-03-04T08:18:02Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Predicting Driver Fatigue in Automated Driving with Explainability [5.976397600514531]
運転者の疲労を予測するために,eXtreme Gradient Boosting (XGBoost) とSHAP (SHapley Additive exPlanations) の組み合わせを提案する。
反応変数として,0～100のパークロース(瞳孔を経時的に閉じる割合)を用いた。
論文 参考訳（メタデータ） (2021-03-03T03:56:09Z) - 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)
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。