論文の概要: Analysis of a Modular Autonomous Driving Architecture: The Top Submission to CARLA Leaderboard 2.0 Challenge

• arxiv url: http://arxiv.org/abs/2405.01394v1
• Date: Thu, 21 Mar 2024 23:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 11:19:45.896190
• Title: Analysis of a Modular Autonomous Driving Architecture: The Top Submission to CARLA Leaderboard 2.0 Challenge
• Title（参考訳）: モジュール型自律走行アーキテクチャの解析: CARLA Leaderboard 2.0 Challengeへのトップ・サブミッション
• Authors: Weize Zhang, Mohammed Elmahgiubi, Kasra Rezaee, Behzad Khamidehi, Hamidreza Mirkhani, Fazel Arasteh, Chunlin Li, Muhammad Ahsan Kaleem, Eduardo R. Corral-Soto, Dhruv Sharma, Tongtong Cao,
• Abstract要約: 我々は、CARLA Leaderboard 2.0 Autonomous Driving (AD) Challenge 2023の地図トラックにKyber-E2Eのアーキテクチャを提示する。 ソリューションには,センサ,ローカライゼーション,知覚,トラッキング/予測,計画/制御という,5つの主要コンポーネントで構成されるモジュールアーキテクチャを採用しています。
• 参考スコア（独自算出の注目度）: 7.7372543018477655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we present the architecture of the Kyber-E2E submission to the map track of CARLA Leaderboard 2.0 Autonomous Driving (AD) challenge 2023, which achieved first place. We employed a modular architecture for our solution consists of five main components: sensing, localization, perception, tracking/prediction, and planning/control. Our solution leverages state-of-the-art language-assisted perception models to help our planner perform more reliably in highly challenging traffic scenarios. We use open-source driving datasets in conjunction with Inverse Reinforcement Learning (IRL) to enhance the performance of our motion planner. We provide insight into our design choices and trade-offs made to achieve this solution. We also explore the impact of each component in the overall performance of our solution, with the intent of providing a guideline where allocation of resources can have the greatest impact.
• Abstract（参考訳）: 本稿では,CARLA Leaderboard 2.0 Autonomous Driving (AD) Challenge 2023の地図トラックにKyber-E2Eのアーキテクチャを提示する。 ソリューションには,センサ,ローカライゼーション,知覚,トラッキング/予測,計画/制御という,5つの主要コンポーネントで構成されるモジュールアーキテクチャを採用しました。 当社のソリューションでは,最先端の言語支援型認識モデルを活用して,高度に困難なトラフィックシナリオにおいて,プランナの信頼性向上を支援する。 Inverse Reinforcement Learning (IRL)とともにオープンソースの運転データセットを使用して、運動プランナの性能を向上させる。 このソリューションを実現するための設計選択とトレードオフに関する洞察を提供する。 また、各コンポーネントがソリューション全体のパフォーマンスに与える影響についても検討し、リソースの割り当てが最大の影響を与えるようなガイドラインを提供することを目的としています。

関連論文リスト

• Soar: Design and Deployment of A Smart Roadside Infrastructure System for Autonomous Driving [3.909050975062495]
  本稿では,自律走行システムに特化して設計された最初のエンドツーエンドSRIシステムであるSoarの設計と展開について述べる。 Soarはソフトウェアとハードウェアの両方のコンポーネントで構成されており、様々なシステムや物理的課題を克服するために慎重に設計されている。
  論文  参考訳（メタデータ） (2024-04-21T21:45:23Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)
• CADRE: A Cascade Deep Reinforcement Learning Framework for Vision-based Autonomous Urban Driving [43.269130988225605]
  複雑な都市環境と運転行動のダイナミクスのため、高密度交通における視覚に基づく自律走行は極めて困難である。 本稿では,モデルフリーな視覚に基づく自律型都市走行を実現するために,新しいCAscade Deep Reinforcement LearningフレームワークCADREを提案する。
  論文  参考訳（メタデータ） (2022-02-17T10:07:16Z)
• End-to-end Interpretable Neural Motion Planner [78.69295676456085]
  複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。 我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。 北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-01-17T14:16:12Z)
• TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
  私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。 予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
  論文  参考訳（メタデータ） (2020-11-13T18:48:13Z)
• 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)
• Evolving Graphical Planner: Contextual Global Planning for Vision-and-Language Navigation [47.79784520827089]
  Evolving Graphical Planner (EGP, Evolving Graphical Planner) は, 生の知覚入力に基づくナビゲーションのグローバルプランニングを行うモデルである。 本稿では,フォトリアリスティック画像を用いた視覚・言語ナビゲーション(VLN)タスクの課題について評価し,従来のナビゲーションアーキテクチャと比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-07-11T00:21:05Z)

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。