論文の概要: Scenario-Based Curriculum Generation for Multi-Agent Autonomous Driving

• arxiv url: http://arxiv.org/abs/2403.17805v1
• Date: Tue, 26 Mar 2024 15:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 14:47:26.842227
• Title: Scenario-Based Curriculum Generation for Multi-Agent Autonomous Driving
• Title（参考訳）: 多エージェント自律運転のためのシナリオベースカリキュラム生成
• Authors: Axel Brunnbauer, Luigi Berducci, Peter Priller, Dejan Nickovic, Radu Grosu,
• Abstract要約: 我々は,マルチエージェント交通シナリオフレームワークであるMATS-Gymを導入し,高忠実度運転シミュレータであるCARLAのエージェントを訓練する。 本稿では,交通シナリオ記述への既存のアプローチを1つのトレーニングフレームワークに統合し,教師なし環境設計の技術と一体化して適応型オートクラキュラの自動生成を実現する方法について述べる。
• 参考スコア（独自算出の注目度）: 7.277126044624995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automated generation of diverse and complex training scenarios has been an important ingredient in many complex learning tasks. Especially in real-world application domains, such as autonomous driving, auto-curriculum generation is considered vital for obtaining robust and general policies. However, crafting traffic scenarios with multiple, heterogeneous agents is typically considered as a tedious and time-consuming task, especially in more complex simulation environments. In our work, we introduce MATS-Gym, a Multi-Agent Traffic Scenario framework to train agents in CARLA, a high-fidelity driving simulator. MATS-Gym is a multi-agent training framework for autonomous driving that uses partial scenario specifications to generate traffic scenarios with variable numbers of agents. This paper unifies various existing approaches to traffic scenario description into a single training framework and demonstrates how it can be integrated with techniques from unsupervised environment design to automate the generation of adaptive auto-curricula. The code is available at https://github.com/AutonomousDrivingExaminer/mats-gym.
• Abstract（参考訳）: 多様な複雑な学習シナリオの自動生成は、多くの複雑な学習タスクにおいて重要な要素となっている。 特に、自律運転のような現実世界のアプリケーション領域では、自動カリキュラム生成は堅牢で一般的なポリシーを得るのに不可欠であると考えられている。 しかし、特に複雑なシミュレーション環境では、多種多種多様なエージェントによるトラフィックシナリオの作成は退屈で時間を要する作業とみなされる。 本研究では,マルチエージェント交通シナリオフレームワークであるMATS-Gymを導入し,高忠実度運転シミュレータであるCARLAのエージェントを訓練する。 MATS-Gymは自律運転のためのマルチエージェントトレーニングフレームワークで、部分シナリオ仕様を使用してエージェントの可変数のトラフィックシナリオを生成する。 本稿では,交通シナリオ記述への既存のアプローチを1つのトレーニングフレームワークに統合し,教師なし環境設計の技術と一体化して適応型オートクラキュラの自動生成を実現する方法について述べる。 コードはhttps://github.com/AutonomousDrivingExaminer/mats-gym.comで公開されている。

関連論文リスト

• Very Large-Scale Multi-Agent Simulation in AgentScope [112.98986800070581]
  我々は,ユーザフレンドリーなマルチエージェントプラットフォームであるAgentScopeの新機能とコンポーネントを開発した。 高いスケーラビリティと高効率を実現するために,アクタをベースとした分散機構を提案する。 また、多数のエージェントを便利に監視し、管理するためのWebベースのインターフェースも提供します。
  論文  参考訳（メタデータ） (2024-07-25T05:50:46Z)
• RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
  RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:11:06Z)
• Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
  シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。 シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。 本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T20:51:24Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• MetaDrive: Composing Diverse Driving Scenarios for Generalizable Reinforcement Learning [25.191567110519866]
  我々は,強化学習アルゴリズムの研究のために,MetaDriveと呼ばれる新しい運転シミュレーションプラットフォームを開発した。 MetaDriveをベースとして、シングルエージェントとマルチエージェントの両方の設定でさまざまなRLタスクとベースラインを構築します。
  論文  参考訳（メタデータ） (2021-09-26T18:34:55Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Improving the Generalization of End-to-End Driving through Procedural Generation [35.41368856679809]
  エンドツーエンド運転の一般化をより良く評価し、改善するために、PGDriveと呼ばれるオープンエンド駆動シミュレータをリリースします。 我々は,プロシージャ生成シーンの増加によるトレーニングが,交通密度や道路網の異なるシナリオにおけるエージェントの一般化を著しく改善することを検証する。
  論文  参考訳（メタデータ） (2020-12-26T06:23:14Z)
• SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for Autonomous Driving [96.50297622371457]
  マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。 研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。 SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
  論文  参考訳（メタデータ） (2020-10-19T18:26:10Z)
• MADRaS : Multi Agent Driving Simulator [15.451658979433667]
  自律運転のための運動計画アルゴリズムの設計と評価に使用するオープンソースのマルチエージェント駆動シミュレータMADRaSを提案する。 MADRaSはオープンソースのカーレースシミュレータTORCS上に構築されている。
  論文  参考訳（メタデータ） (2020-10-02T13:38:49Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)

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。