Fugu-MT 論文翻訳(概要): Autonomous Driving with a Deep Dual-Model Solution for Steering and Braking Control

論文の概要: Autonomous Driving with a Deep Dual-Model Solution for Steering and Braking Control

arxiv url: http://arxiv.org/abs/2405.06473v1
Date: Fri, 10 May 2024 13:39:22 GMT
ステータス: 処理完了
システム内更新日: 2024-05-13 15:38:11.210057
Title: Autonomous Driving with a Deep Dual-Model Solution for Steering and Braking Control
Title（参考訳）: ステアリングとブレーキ制御のためのディープデュアルモデルによる自律運転
Authors: Ana Petra Jukić, Ana Šelek, Marija Seder, Ivana Podnar Žarko,
Abstract要約: 自動車のブレーキとステアリングを組み合わせた2つのディープニューラルネットワークを用いたデュアルモデルソリューションを提案する。 NVIDIAのPilotNetモデルを独自のネットワーク設計で修正し、モデルパラメータの数とメモリフットプリントを約60%削減しました。シミュレーション環境で評価すると、両方の自律運転システムは、修正されたPilotNetモデルと、元のPilotNetモデルを用いたステアリングの両方を使用しており、同じレベルの自律運転性能を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The technology of autonomous driving is currently attracting a great deal of interest in both research and industry. In this paper, we present a deep learning dual-model solution that uses two deep neural networks for combined braking and steering in autonomous vehicles. Steering control is achieved by applying the NVIDIA's PilotNet model to predict the steering wheel angle, while braking control relies on the use of MobileNet SSD. Both models rely on a single front-facing camera for image input. The MobileNet SSD model is suitable for devices with constrained resources, whereas PilotNet struggles to operate efficiently on smaller devices with limited resources. To make it suitable for such devices, we modified the PilotNet model using our own original network design and reduced the number of model parameters and its memory footprint by approximately 60%. The inference latency has also been reduced, making the model more suitable to operate on resource-constrained devices. The modified PilotNet model achieves similar loss and accuracy compared to the original PilotNet model. When evaluated in a simulated environment, both autonomous driving systems, one using the modified PilotNet model and the other using the original PilotNet model for steering, show similar levels of autonomous driving performance.
Abstract（参考訳）: 自動運転技術は現在、研究と産業の両方に大きな関心を集めている。本稿では,自律走行車におけるブレーキとステアリングを組み合わせた2つのディープニューラルネットワークを用いた深層学習型デュアルモデルソリューションを提案する。ステアリング制御はNVIDIAのPilotNetモデルを使用してステアリングホイール角を予測し、ブレーキ制御はMobileNet SSDに依存する。どちらのモデルも、画像入力にはフロントカメラ1台に依存している。 MobileNet SSDモデルは制約のあるリソースを持つデバイスに適しているが、PilotNetは限られたリソースを持つ小さなデバイスで効率的に運用するのに苦労している。このようなデバイスに適したものにするために、独自のネットワーク設計を用いてPilotNetモデルを修正し、モデルパラメータとそのメモリフットプリントを約60%削減した。推論レイテンシも削減され、リソース制約のあるデバイス上での操作がより適したモデルになった。修正されたPilotNetモデルは、オリジナルのPilotNetモデルと同じような損失と精度を達成する。シミュレーション環境で評価すると、両方の自律運転システムは、修正されたPilotNetモデルと、元のPilotNetモデルを用いたステアリングの両方を使用しており、同じレベルの自律運転性能を示している。

関連論文リスト

Neural Network Tire Force Modeling for Automated Drifting [0.2999888908665658]
本稿では,物理に基づくアプローチの代替として,前輪横力を予測するニューラルネットワークアーキテクチャを提案する。我々はこれらのモデルを基準ドリフト軌跡を追跡するために調整された非線形モデル予測コントローラに展開する。
論文参考訳（メタデータ） (2024-07-18T17:58:01Z)
TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection [2.8038082486377114]
道路面の正確な推定のために,新しい畳み込みニューラルネットワークモデルを提案する。我々のモデルは、独立カメラとLiDAR機能抽出にTwin-Decoder Neural Network(TEDNet)を用いている。このモデルでは、カメラとLiDARデータのバードアイビュー投影を用いて、各ピクセルが路面に属するか否かのセマンティックセグメンテーションを行う。
論文参考訳（メタデータ） (2024-05-14T08:45:34Z)
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving [65.04871316921327]
本稿では,自律運転システムの性能と信頼性を高める新しい自律運転システムを提案する。 DME-Driverは、意思決定者として強力な視覚言語モデル、制御信号生成者として計画指向認識モデルを利用する。このデータセットを利用することで、論理的思考プロセスを通じて高精度な計画精度を実現する。
論文参考訳（メタデータ） (2024-01-08T03:06:02Z)
A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文参考訳（メタデータ） (2023-12-22T16:29:55Z)
Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
論文参考訳（メタデータ） (2023-12-11T14:27:10Z)
Efficient Perception, Planning, and Control Algorithm for Vision-Based Automated Vehicles [0.0]
本研究は、視覚に基づく自動車両の運転のための効率的な枠組みを提案する。このフレームワークは単眼カメラとレーダーのみを必要とする。実験により、提案された自律運転システムは、現在の自動運転車に適用可能であることが示された。
論文参考訳（メタデータ） (2022-09-15T04:51:17Z)
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)
Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文参考訳（メタデータ） (2021-10-22T15:25:14Z)
Neural Network Based Model Predictive Control for an Autonomous Vehicle [3.222802562733787]
本研究では,自律走行車制御のためのモデル予測コントローラ(MPC)の代替として,学習ベースコントローラについて検討する。教師あり学習と強化学習による学習を比較した。本研究の目的は,リアルタイムプラットフォームに組み込み,形式的手法による検証が可能なコントローラの開発である。
論文参考訳（メタデータ） (2021-07-30T12:11:31Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。