論文の概要: Behavioral Cloning Models Reality Check for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2409.07218v1
• Date: Wed, 11 Sep 2024 12:19:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 14:35:46.063504
• Title: Behavioral Cloning Models Reality Check for Autonomous Driving
• Title（参考訳）: 自律運転のための行動クローンモデル現実チェック
• Authors: Mustafa Yildirim, Barkin Dagda, Vinal Asodia, Saber Fallah,
• Abstract要約: 本稿では, 横方向制御にBC(Behavior Cloning)を用いた現状認識システムの現実的検証について述べる。 データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。 実験により, リアルタイムに低誤差の操舵角度を推定できることが確認された。
• 参考スコア（独自算出の注目度）: 5.021331908103135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How effective are recent advancements in autonomous vehicle perception systems when applied to real-world autonomous vehicle control? While numerous vision-based autonomous vehicle systems have been trained and evaluated in simulated environments, there is a notable lack of real-world validation for these systems. This paper addresses this gap by presenting the real-world validation of state-of-the-art perception systems that utilize Behavior Cloning (BC) for lateral control, processing raw image data to predict steering commands. The dataset was collected using a scaled research vehicle and tested on various track setups. Experimental results demonstrate that these methods predict steering angles with low error margins in real-time, indicating promising potential for real-world applications.
• Abstract（参考訳）: 現実の自動運転車制御に適用した場合、近年の自動運転車認識システムの進歩はどの程度有効か? 多くの視覚に基づく自動運転車システムは、シミュレーション環境で訓練され、評価されているが、これらのシステムに対する現実的な検証の欠如は顕著である。 本稿では, 横方向制御にビヘイビア・クローン(BC)を用い, 生画像データを処理し, 操舵命令の予測を行う, 最先端の認識システムの現実的検証を行うことにより, このギャップを解消する。 データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。 実験により,これらの手法はリアルタイムに低誤差の操舵角度を予測し,実世界の応用に期待できる可能性を示唆している。

関連論文リスト

• Modelling, Positioning, and Deep Reinforcement Learning Path Tracking Control of Scaled Robotic Vehicles: Design and Experimental Validation [3.807917169053206]
  スケールされたロボットカーは通常、車両の状態の推定と制御に特化したタスクを含む階層的な制御機構を備えている。 本稿では, (i) フェデレートされた拡張カルマンフィルタ (FEKF) と (ii) エキスパートデモレータを用いて訓練された新しい深部強化学習 (DRL) パストラッキングコントローラを提案する。 実験により検証されたモデルは、(i)FEKFの設計を支援するために使用され、(ii)DRLに基づく経路追跡アルゴリズムをトレーニングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-01-10T14:40:53Z)
• 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)
• 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)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Autonomous Vehicles that Alert Humans to Take-Over Controls: Modeling with Real-World Data [11.007092387379076]
  本研究は,運転状態の文脈的意味的表現の開発に焦点を当てた。 自律型エージェントの乗っ取り制御を参加者に指示する大規模な実世界制御データスタディを実施します。 これらのテイクオーバーイベントは、複数のドライバー向けカメラを使用してキャプチャされ、ラベル付けされると、コントロール遷移のデータセットと対応するテイクオーバー時間(tot)が生成される。 このデータセットを拡張後、異なるドライバ向けカメラビューで動作するコンピュータビジョンアルゴリズムが生成する低レベルと中レベルの機能でシーケンシャルに動作するtotモデルを開発・訓練する。
  論文  参考訳（メタデータ） (2021-04-23T09:16:53Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)

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。