論文の概要: PRIBOOT: A New Data-Driven Expert for Improved Driving Simulations
- arxiv url: http://arxiv.org/abs/2406.08421v1
- Date: Wed, 12 Jun 2024 17:05:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 15:47:23.027431
- Title: PRIBOOT: A New Data-Driven Expert for Improved Driving Simulations
- Title（参考訳）: PRIBOOT: 運転シミュレーションを改善するための新しいデータ駆動エキスパート
- Authors: Daniel Coelho, Miguel Oliveira, Vitor Santos, Antonio M. Lopez,
- Abstract要約: PRIBOOT(PRIBOOT)は、限られた人間ログと特権情報を利用する専門家エージェントである。
我々は、よりバランスよく運転性能を評価するために設計された新しい評価指標である赤外線レートスコア(IRS)を提案する。
PRIBOOTは、Leadboard 2.0で75%のルート完了(RC)を達成する最初のモデルであり、ドライビングスコア(DS)とIRSはそれぞれ20%と45%である。
- 参考スコア（独自算出の注目度）: 0.8571111167616167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of Autonomous Driving (AD) systems in simulated environments like CARLA is crucial for advancing real-world automotive technologies. To drive innovation, CARLA introduced Leaderboard 2.0, significantly more challenging than its predecessor. However, current AD methods have struggled to achieve satisfactory outcomes due to a lack of sufficient ground truth data. Human driving logs provided by CARLA are insufficient, and previously successful expert agents like Autopilot and Roach, used for collecting datasets, have seen reduced effectiveness under these more demanding conditions. To overcome these data limitations, we introduce PRIBOOT, an expert agent that leverages limited human logs with privileged information. We have developed a novel BEV representation specifically tailored to meet the demands of this new benchmark and processed it as an RGB image to facilitate the application of transfer learning techniques, instead of using a set of masks. Additionally, we propose the Infraction Rate Score (IRS), a new evaluation metric designed to provide a more balanced assessment of driving performance over extended routes. PRIBOOT is the first model to achieve a Route Completion (RC) of 75% in Leaderboard 2.0, along with a Driving Score (DS) and IRS of 20% and 45%, respectively. With PRIBOOT, researchers can now generate extensive datasets, potentially solving the data availability issues that have hindered progress in this benchmark.
- Abstract（参考訳）: CARLAのようなシミュレーション環境での自律運転(AD)システムの開発は、現実の自動車技術の進歩に不可欠である。
CARLAはイノベーションを推進するためにLeadboard 2.0を導入した。
しかし、現状のAD法は、十分な基礎的真理データが不足しているため、満足な結果を得るのに苦労している。
CARLAが提供する人間の運転ログは不十分であり、データセット収集に使用されるAutopilotやRoachといった、これまで成功した専門家エージェントは、これらのより要求の多い条件下で有効性が低下している。
これらのデータ制限を克服するために、特権情報付き制限された人間のログを利用する専門家エージェントであるPRIBOOTを導入する。
我々は,新しいベンチマークの要求に合わせた新しいBEV表現を開発し,それをRGB画像として処理し,マスクのセットを使わずに移動学習技術の応用を容易にする。
さらに、拡張経路よりも運転性能をよりバランスよく評価するための新しい評価指標である赤外線レートスコア(IRS)を提案する。
PRIBOOTは、Leadboard 2.0で75%のルート完了(RC)を達成する最初のモデルであり、ドライビングスコア(DS)とIRSはそれぞれ20%と45%である。
PRIBOOTを使えば、研究者は広範なデータセットを生成できるようになり、このベンチマークの進歩を妨げるデータ可用性の問題が解決される可能性がある。
関連論文リスト
- Good Data Is All Imitation Learning Needs [13.26174103650211]
本稿では,エンド・ツー・エンド自動運転システムのための新しいデータ拡張手法として,CFE(Counterfactual Explanations)を導入する。
CFEは、意思決定境界付近でトレーニングサンプルを生成することによって、専門家のドライバ戦略をより包括的な表現に導く。
CARLAシミュレータによる実験により,CF-Driverは現在の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-09-26T07:43:12Z) - Self-Updating Vehicle Monitoring Framework Employing Distributed Acoustic Sensing towards Real-World Settings [5.306938463648908]
本稿では,都市環境に合わせて,リアルタイムな半教師付き車両監視フレームワークを提案する。
初期トレーニングにはわずかな手動ラベルしか必要とせず、モデル改善のためにラベル付けされていないデータを活用する。
車両の走行速度の異なる1台の車両を追尾するために、車両の軌跡形状を取り入れた新しい先行損失を提案する。
論文 参考訳（メタデータ） (2024-09-16T13:10:58Z) - End-to-End Autonomous Driving without Costly Modularization and 3D Manual Annotation [34.070813293944944]
視覚に基づくエンドツーエンド自動運転(E2EAD)のためのUADを提案する。
私たちのモチベーションは、現在のE2EADモデルが依然として典型的な駆動スタックのモジュラーアーキテクチャを模倣していることに起因しています。
我々のUADは、NUScenesにおける平均衝突速度において、UniADに対して38.7%の相対的な改善を達成し、CARLAのCown05 Longベンチマークの駆動スコアにおいて、VADを41.32ポイント上回っている。
論文 参考訳（メタデータ） (2024-06-25T16:12:52Z) - 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) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳（メタデータ） (2023-12-11T13:27:51Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳（メタデータ） (2023-12-06T10:46:53Z) - End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data [6.849144123909844]
本論文は,E2E運転のための自己教師付き模倣学習(SSIL)として,最初の完全自己教師型学習フレームワークを提案する。
提案したSSILフレームワークは、コマンドデータを使用せずにE2E駆動ネットワークを学習できる。
3つの異なるベンチマークデータセットを用いた数値実験により,提案したSSILフレームワークは,教師付き学習と同等のE2E駆動精度を達成できることを示した。
論文 参考訳（メタデータ） (2023-08-28T06:17:15Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳（メタデータ） (2023-07-28T16:03:28Z) - Retrieval-Augmented Reinforcement Learning [63.32076191982944]
過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。
検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。
検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
論文 参考訳（メタデータ） (2022-02-17T02:44:05Z) - 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) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z)
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。