論文の概要: A Super-human Vision-based Reinforcement Learning Agent for Autonomous Racing in Gran Turismo

• arxiv url: http://arxiv.org/abs/2406.12563v1
• Date: Tue, 18 Jun 2024 12:49:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 19:07:52.587396
• Title: A Super-human Vision-based Reinforcement Learning Agent for Autonomous Racing in Gran Turismo
• Title（参考訳）: グランド・チューリッソにおける自律走行のための超人的視覚ベース強化学習エージェント
• Authors: Miguel Vasco, Takuma Seno, Kenta Kawamoto, Kaushik Subramanian, Peter R. Wurman, Peter Stone,
• Abstract要約: 本稿では,センサ入力が車に純粋に局所的な,最初のスーパーヒューマンカーレースエージェントについて紹介する。 訓練時にのみグローバルな機能を活用することで、学習エージェントはタイムトライアルで最高の人間ドライバーより優れたパフォーマンスを発揮することができる。 得られたエージェントは、Gran Turismo 7において、複数のトラックと車上で評価される。
• 参考スコア（独自算出の注目度）: 30.724255021481458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Racing autonomous cars faster than the best human drivers has been a longstanding grand challenge for the fields of Artificial Intelligence and robotics. Recently, an end-to-end deep reinforcement learning agent met this challenge in a high-fidelity racing simulator, Gran Turismo. However, this agent relied on global features that require instrumentation external to the car. This paper introduces, to the best of our knowledge, the first super-human car racing agent whose sensor input is purely local to the car, namely pixels from an ego-centric camera view and quantities that can be sensed from on-board the car, such as the car's velocity. By leveraging global features only at training time, the learned agent is able to outperform the best human drivers in time trial (one car on the track at a time) races using only local input features. The resulting agent is evaluated in Gran Turismo 7 on multiple tracks and cars. Detailed ablation experiments demonstrate the agent's strong reliance on visual inputs, making it the first vision-based super-human car racing agent.
• Abstract（参考訳）: 自動運転車は、人工知能とロボティクスの分野で長年にわたって大きな課題だった。 最近、エンドツーエンドの強化学習エージェントが、高忠実度レーシングシミュレータであるGran Turismoでこの課題に遭遇した。 しかし、このエージェントは、車外機器を必要とするグローバルな機能に依存していた。 本稿では,車載カメラからのセンサ入力,車載カメラからの画素,車載速度など,車載カメラから検出可能な量など,車両に純粋に局所的なセンサ入力を有する初のスーパーヒューマンカーレースエージェントについて紹介する。 学習エージェントは、訓練時にのみグローバルな機能を活用することで、タイムトライアル(一度に1台のトラック上の1台の車)において、ローカルな入力機能のみを使用して、最高の人間ドライバーを上回ります。 得られたエージェントは、Gran Turismo 7において、複数のトラックと車上で評価される。 詳細なアブレーション実験は、エージェントが視覚入力に強く依存していることを示しています。

関連論文リスト

• End-To-End Training and Testing Gamification Framework to Learn Human Highway Driving [3.234017706225293]
  本稿では,自律走行自動車のためのゲームベースのエンドツーエンド学習およびテストフレームワークを提案する。 人気ゲーム「グランドセフト・オートV」を使って高速道路の運転データを収集する。 エンド・ツー・エンドのアーキテクチャは、ゲーム画面の画像により車両を制御する操舵およびスロットル値を予測する。
  論文  参考訳（メタデータ） (2024-04-16T18:51:58Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Expert Human-Level Driving in Gran Turismo Sport Using Deep Reinforcement Learning with Image-based Representation [4.989480853499916]
  人間のプレイヤーに勝るリアルなレーシングゲームAIエージェントは、画像ベースの環境情報を使用しない。 視覚に基づく制御アルゴリズムを提案し,人間選手のパフォーマンスと比較した。 グラン・チューリッソ・スポーツ(Gran Turismo Sport)のAIをタイムトライアルで上回り、そのスコアは、約28,000人の人間選手のトップ10%にランクインしている。
  論文  参考訳（メタデータ） (2021-11-11T20:31:19Z)
• Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning [39.757652701917166]
  本研究では,自律オーバーテイク問題に対する新たな学習手法を提案する。 カーレースシミュレーターであるGran Turismo Sportによるアプローチの評価を行った。
  論文  参考訳（メタデータ） (2021-03-26T18:06:50Z)
• Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement Learning [39.719051858649216]
  高忠実度物理カーシミュレーションを利用した自律走行車レース学習システムを提案する。 私たちは、異なるレースカーとトラックのリアルな物理シミュレーションで知られている世界主導の自動車シミュレータであるGran Turismo Sportにシステムをデプロイしました。 私たちのトレーニングされたポリシーは、組み込みAIによってこれまで達成された以上の自律的なレースパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-08-18T15:06:44Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Learning by Cheating [72.9701333689606]
  この難解な学習問題を2段階に分解することで単純化できることを示す。 提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。 提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
  論文  参考訳（メタデータ） (2019-12-27T18:59:04Z)

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。