論文の概要: Developing, Analyzing, and Evaluating Self-Drive Algorithms Using Drive-by-Wire Electric Vehicles

• arxiv url: http://arxiv.org/abs/2409.03114v1
• Date: Wed, 4 Sep 2024 22:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-06 22:44:13.285744
• Title: Developing, Analyzing, and Evaluating Self-Drive Algorithms Using Drive-by-Wire Electric Vehicles
• Title（参考訳）: ワイヤバイワイヤ電気自動車を用いた自己駆動アルゴリズムの開発・解析・評価
• Authors: Beñat Froemming-Aldanondo, Tatiana Rastoskueva, Michael Evans, Marcial Machado, Anna Vadella, Rickey Johnson, Luis Escamilla, Milan Jostes, Devson Butani, Ryan Kaddis, Chan-Jin Chung, Joshua Siegel,
• Abstract要約: このプロジェクトは主にレーン追従プログラムの開発と評価に重点を置いていた。 アルゴリズムはまずシミュレーターでテストされ、次に実際の車両に駆動・バイ・ワイヤシステムが搭載された。 その結果、最も信頼性の高い2つのアプローチは、両方の車線を検知し、教師なし学習を用いてそれらを分離することを示した。
• 参考スコア（独自算出の注目度）: 0.3179433314782644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable lane-following algorithms are essential for safe and effective autonomous driving. This project was primarily focused on developing and evaluating different lane-following programs to find the most reliable algorithm for a Vehicle to Everything (V2X) project. The algorithms were first tested on a simulator and then with real vehicles equipped with a drive-by-wire system using ROS (Robot Operating System). Their performance was assessed through reliability, comfort, speed, and adaptability metrics. The results show that the two most reliable approaches detect both lane lines and use unsupervised learning to separate them. These approaches proved to be robust in various driving scenarios, making them suitable candidates for integration into the V2X project.
• Abstract（参考訳）: 信頼性の高い車線追従アルゴリズムは安全かつ効果的な自動運転に不可欠である。 このプロジェクトは主に、V2Xプロジェクトの最も信頼性の高いアルゴリズムを見つけるために、異なるレーン追従プログラムを開発し評価することに焦点を当てた。 アルゴリズムはまずシミュレータ上でテストされ、次にROS(Robot Operating System)を使用した実車に搭載された。 彼らのパフォーマンスは、信頼性、快適さ、スピード、適応性の測定を通じて評価された。 その結果、最も信頼性の高い2つのアプローチは、両方の車線を検知し、教師なし学習を用いてそれらを分離することを示した。 これらのアプローチは様々な駆動シナリオにおいて堅牢であることが証明され、V2Xプロジェクトへの統合に適した候補となった。

関連論文リスト

• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Continual Learning for Behavior-based Driver Identification [5.560336593474866]
  行動に基づく運転者識別は、運転者の独特の運転行動に基づいて運転者を認識する新興技術である。 ほとんどの研究は、ディープ・ラーニング・モデルを車内に展開するという現実的な課題を考慮に入れていない。 これらの課題には、限られた計算リソースの下での運用、新しいドライバへの適応、時間の経過とともにの運転行動の変化などが含まれる。
  論文  参考訳（メタデータ） (2024-12-14T10:24:44Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• LiPar: A Lightweight Parallel Learning Model for Practical In-Vehicle Network Intrusion Detection [9.424132584616288]
  本稿では,車載侵入検知の一般化を実現する軽量並列ニューラルネットワーク構造LiParを提案する。 LiParは、複数の電子制御ユニット、ドメインコントローラ、コンピューティングゲートウェイなど、車載コンピューティングデバイスにタスク負荷を適応的に割り当てる。 我々はLiParが優れた検出性能、実行効率、軽量なモデルサイズを有しており、車内環境に実用的に適合し、車内CANバスのセキュリティを保護することができることを証明した。
  論文  参考訳（メタデータ） (2023-11-14T08:54:00Z)
• Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
  接続された自動運転車は、エネルギー消費を最小化する可能性がある。 既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。 本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T23:13:51Z)
• Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation [0.24578723416255746]
  強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。 そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。 提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-09-30T10:54:02Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• Evaluation of Pedestrian Safety in a High-Fidelity Simulation Environment Framework [21.456269382916062]
  本稿では,自動運転のための歩行者安全評価手法を提案する。 歩行者の安全に重要な特徴を組み込んだ高忠実度シミュレーションフレームワークを構築した。 提案手法とフレームワークは、異なる自律運転アルゴリズムにアクセスできる。
  論文  参考訳（メタデータ） (2022-10-17T03:53:50Z)
• 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)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• 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)
• An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
  本稿では,インテリジェントな自動運転トラックシステムについて紹介する。 提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。 また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
  論文  参考訳（メタデータ） (2021-12-31T04:54:13Z)
• Reinforcement Learning Based Safe Decision Making for Highway Autonomous Driving [1.995792341399967]
  マルチレーン・シングルエージェント環境での自動運転車の安全な意思決定方法を開発した。 提案手法は深層強化学習を用いて,安全な戦術的意思決定のためのハイレベルな方針を実現する。
  論文  参考訳（メタデータ） (2021-05-13T19:17:30Z)
• Online and Adaptive Parking Availability Mapping: An Uncertainty-Aware Active Sensing Approach for Connected Vehicles [1.7259824817932292]
  パーキングアベイラビリティマッピングのためのオンライン・アダプティブ・スキームを提案します。 具体的には,入力データを選択するための情報探索型アクティブセンシング手法を採用し,オンボードストレージと処理リソースを保存できる。 提案アルゴリズムといくつかのベースラインを比較し, 写像収束速度と適応能力の点で性能が劣ることを示した。
  論文  参考訳（メタデータ） (2021-05-01T13:35:36Z)
• 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)
• Vehicle Route Prediction through Multiple Sensors Data Fusion [0.0]
  フレームワークは2つのモジュールで構成される。 ディープラーニングを用いて車両ナンバーの認識を行うフレームワークの最初のモジュール。 機械学習の教師付き学習アルゴリズムを用いた第2モジュールは、車両の経路を予測する。
  論文  参考訳（メタデータ） (2020-08-30T08:14:11Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• Multi-lane Detection Using Instance Segmentation and Attentive Voting [0.0]
  本稿では,精度と速度の両面で技術手法の状態を上回り,マルチレーン検出のための新しい手法を提案する。 54.53 fps(平均)で走行する車線分割精度99.87%を得ることができる。
  論文  参考訳（メタデータ） (2020-01-01T16:48:42Z)

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。