論文の概要: TorchDriveEnv: A Reinforcement Learning Benchmark for Autonomous Driving with Reactive, Realistic, and Diverse Non-Playable Characters

• arxiv url: http://arxiv.org/abs/2405.04491v1
• Date: Tue, 7 May 2024 17:02:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 13:21:31.860049
• Title: TorchDriveEnv: A Reinforcement Learning Benchmark for Autonomous Driving with Reactive, Realistic, and Diverse Non-Playable Characters
• Title（参考訳）: TorchDriveEnv: リアクティブ、リアリスティック、およびさまざまな非プレイ可能なキャラクタによる自律運転のための強化学習ベンチマーク
• Authors: Jonathan Wilder Lavington, Ke Zhang, Vasileios Lioutas, Matthew Niedoba, Yunpeng Liu, Dylan Green, Saeid Naderiparizi, Xiaoxuan Liang, Setareh Dabiri, Adam Ścibior, Berend Zwartsenberg, Frank Wood,
• Abstract要約: TorchDriveEnvは、Pythonで完全にプログラムされた軽量強化学習ベンチマークである。 学習した車両行動のさまざまな要因をテストするために修正することができる。 TorchDriveEnvは、アートビヘイビアシミュレーションAPIの状態と完全に統合されている。
• 参考スコア（独自算出の注目度）: 16.189734871742743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The training, testing, and deployment, of autonomous vehicles requires realistic and efficient simulators. Moreover, because of the high variability between different problems presented in different autonomous systems, these simulators need to be easy to use, and easy to modify. To address these problems we introduce TorchDriveSim and its benchmark extension TorchDriveEnv. TorchDriveEnv is a lightweight reinforcement learning benchmark programmed entirely in Python, which can be modified to test a number of different factors in learned vehicle behavior, including the effect of varying kinematic models, agent types, and traffic control patterns. Most importantly unlike many replay based simulation approaches, TorchDriveEnv is fully integrated with a state of the art behavioral simulation API. This allows users to train and evaluate driving models alongside data driven Non-Playable Characters (NPC) whose initializations and driving behavior are reactive, realistic, and diverse. We illustrate the efficiency and simplicity of TorchDriveEnv by evaluating common reinforcement learning baselines in both training and validation environments. Our experiments show that TorchDriveEnv is easy to use, but difficult to solve.
• Abstract（参考訳）: 自動運転車の訓練、テスト、展開には、現実的で効率的なシミュレータが必要である。 さらに、異なる自律システムで示される異なる問題間のばらつきが高いため、これらのシミュレータは使いやすく、変更が容易である必要がある。 これらの問題を解決するために、TorchDriveSimとそのベンチマーク拡張TorchDriveEnvを紹介します。 TorchDriveEnvは、Pythonで完全にプログラムされた軽量強化学習ベンチマークで、さまざまなキネマティックモデル、エージェントタイプ、トラフィック制御パターンの影響など、学習車両の振る舞いのさまざまな要因をテストするために修正することができる。 多くのリプレイベースのシミュレーションアプローチとは異なり、TorchDriveEnvは最先端の動作シミュレーションAPIと完全に統合されている。 これにより、初期化と運転動作がリアクティブでリアルで多様なデータ駆動型NPC(Non-Playable Characters)とともに、運転モデルをトレーニングし、評価することができる。 本稿では,TorchDriveEnvの学習環境と評価環境の共通強化学習ベースラインの評価により,TorchDriveEnvの効率性と簡易性について述べる。 実験の結果,TorchDriveEnvは使いやすく,解決が難しいことがわかった。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow [24.789118651720045]
  光実写シーンを用いた自律走行シミュレータを提案する。 シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。 シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
  論文  参考訳（メタデータ） (2024-01-28T23:26:15Z)
• 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)
• 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)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。