論文の概要: A Safe and Efficient Self-evolving Algorithm for Decision-making and Control of Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2408.12187v1
• Date: Thu, 22 Aug 2024 08:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 14:53:12.210549
• Title: A Safe and Efficient Self-evolving Algorithm for Decision-making and Control of Autonomous Driving Systems
• Title（参考訳）: 自律運転システムの意思決定と制御のための安全かつ効率的な自己進化アルゴリズム
• Authors: Shuo Yang, Liwen Wang, Yanjun Huang, Hong Chen,
• Abstract要約: 自己進化型自動運転車は、現実世界の環境における未知のシナリオに対処することが期待されている。 強化学習は 最適な政策を学ぶことで 自己進化できる。 本稿では,ハイブリッドなメカニズム-経験-学習型拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 19.99282698119699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles with a self-evolving ability are expected to cope with unknown scenarios in the real-world environment. Take advantage of trial and error mechanism, reinforcement learning is able to self evolve by learning the optimal policy, and it is particularly well suitable for solving decision-making problems. However, reinforcement learning suffers from safety issues and low learning efficiency, especially in the continuous action space. Therefore, the motivation of this paper is to address the above problem by proposing a hybrid Mechanism-Experience-Learning augmented approach. Specifically, to realize the efficient self-evolution, the driving tendency by analogy with human driving experience is proposed to reduce the search space of the autonomous driving problem, while the constrained optimization problem based on a mechanistic model is designed to ensure safety during the self-evolving process. Experimental results show that the proposed method is capable of generating safe and reasonable actions in various complex scenarios, improving the performance of the autonomous driving system. Compared to conventional reinforcement learning, the safety and efficiency of the proposed algorithm are greatly improved. The training process is collision-free, and the training time is equivalent to less than 10 minutes in the real world.
• Abstract（参考訳）: 自己進化能力を持つ自動運転車は、現実世界の環境における未知のシナリオに対処することが期待される。 試行錯誤のメカニズムを活かして、強化学習は最適な政策を学習することで自己進化し、特に意思決定問題の解決に適している。 しかし、強化学習は、特に連続行動空間において、安全性の問題と学習効率の低下に悩まされている。 そこで本論文の動機は,ハイブリッドなメカニズム-経験-学習型拡張手法を提案することによって,上記の課題に対処することにある。 具体的には、効率的な自己進化を実現するために、人間の運転経験と類似した運転傾向が自律運転問題の探索空間を減らすために提案され、機械的モデルに基づく制約付き最適化問題は、自己進化過程の安全性を確保するために設計されている。 実験の結果,提案手法は様々な複雑なシナリオにおいて安全かつ合理的な動作を生成でき,自律運転システムの性能を向上させることができることがわかった。 従来の強化学習と比較して,提案アルゴリズムの安全性と効率は大幅に向上した。 トレーニングプロセスは無衝突で、実世界でのトレーニング時間は10分未満である。

関連論文リスト

• A Safe Self-evolution Algorithm for Autonomous Driving Based on Data-Driven Risk Quantification Model [14.398857940603495]
  本稿では,データ駆動型リスク定量化モデルに基づく自動運転のための安全な自己進化アルゴリズムを提案する。 アルゴリズムの自己進化能力に対する過保守的安全保護ポリシーの影響を回避するため, 安全限度を調整可能な安全限度付き安全進化型決定制御統合アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-23T02:52:35Z)
• Accelerating the Evolution of Personalized Automated Lane Change through Lesson Learning [21.89687882922275]
  高度運転支援システムの普及にはパーソナライゼーションが不可欠である。 ユーザの好みに合わせて、オンラインの進化能力は必須です。 本稿では,ドライバーの乗っ取り介入から学ぶ授業学習アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-13T08:25:45Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
  体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。 本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。 本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
  論文  参考訳（メタデータ） (2024-03-01T21:27:03Z)
• Imitation Is Not Enough: Robustifying Imitation with Reinforcement Learning for Challenging Driving Scenarios [147.16925581385576]
  シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。 都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
  論文  参考訳（メタデータ） (2022-12-21T23:59:33Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Parallelized and Randomized Adversarial Imitation Learning for Safety-Critical Self-Driving Vehicles [11.463476667274051]
  運転システムを安全に制御するために、信頼性の高いADAS機能調整を検討することが不可欠である。 本稿では,RAILアルゴリズムを提案する。 提案手法は, LIDARデータを扱う意思決定者を訓練し, 多車線複合高速道路環境における自律走行を制御できる。
  論文  参考訳（メタデータ） (2021-12-26T23:42:49Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Safe Trajectory Planning Using Reinforcement Learning for Self Driving [21.500697097095408]
  自動運転車の軌道計画段階におけるモデルフリー強化学習を提案する。 このアプローチにより、自動運転のタスクに必要な安全で汎用的で快適な方法で車を操作することができることを示す。
  論文  参考訳（メタデータ） (2020-11-09T19:29:14Z)

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。