Fugu-MT 論文翻訳(概要): Slug Mobile: Test-Bench for RL Testing

論文の概要: Slug Mobile: Test-Bench for RL Testing

arxiv url: http://arxiv.org/abs/2409.10532v1
Date: Sat, 31 Aug 2024 00:02:32 GMT
ステータス: 処理完了
システム内更新日: 2024-09-22 21:32:16.730581
Title: Slug Mobile: Test-Bench for RL Testing
Title（参考訳）: Slug Mobile: RLテストのためのテストベンチ
Authors: Jonathan Wellington Morris, Vishrut Shah, Alex Besanceney, Daksh Shah, Leilani H. Gilpin,
Abstract要約: Slug Mobileは、AVのシミュレートと現実のギャップに対処するために作られた、第10の自動運転車だ。他の10倍のAVで見つかった従来のセンサーに加えて、Dynamic Vision Sensorも搭載しました。
参考スコア（独自算出の注目度）: 4.060311426279582
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Sim-to real gap in Reinforcement Learning is when a model trained in a simulator does not translate to the real world. This is a problem for Autonomous Vehicles (AVs) as vehicle dynamics can vary from simulation to reality, and also from vehicle to vehicle. Slug Mobile is a one tenth scale autonomous vehicle created to help address the sim-to-real gap for AVs by acting as a test-bench to develop models that can easily scale from one vehicle to another. In addition to traditional sensors found in other one tenth scale AVs, we have also included a Dynamic Vision Sensor so we can train Spiking Neural Networks running on neuromorphic hardware.
Abstract（参考訳）: 強化学習における真のギャップとは、シミュレータで訓練されたモデルが現実世界に変換されない場合である。これは自動運転車(AV)にとって問題であり、車両のダイナミクスはシミュレーションから現実、車から車まで様々である。 Slug Mobileは、ある車両から別の車両に容易にスケールできるモデルを開発するためのテストベンチとして機能することで、AVのシミュレートと現実のギャップに対処するために作られた1番目のスケールの自動運転車である。他の10分の1スケールのAVで見つかった従来のセンサーに加えて、我々は、ニューロモルフィックハードウェア上で動作するスパイキングニューラルネットワークをトレーニングするためのダイナミックビジョンセンサーも搭載しました。

関連論文リスト

CADSim: Robust and Scalable in-the-wild 3D Reconstruction for Controllable Sensor Simulation [44.83732884335725]
センサシミュレーションでは、車などの交通参加者を高品質な外観と明瞭な幾何学でモデル化する。現在の再構築アプローチは、その広さとノイズのために、Wildのセンサーデータに苦労している。本稿では,車体形状を自動再構成するために,CADモデルの小さなセットと微分レンダリングを併用したCADSimを提案する。
論文参考訳（メタデータ） (2023-11-02T17:56:59Z)
UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。 UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文参考訳（メタデータ） (2023-08-03T17:56:06Z)
MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous Driving [13.571775151180923]
ニューラルレイディアンスフィールド(NeRF)に基づく自律走行シミュレータを提案する。我々のシミュレーターは、フォアグラウンドインスタンスとバックグラウンド環境を独立したネットワークで別々にモデル化する。我々のシミュレーターは、最高のモジュール選択を条件に、最先端のフォトリアリズムを新たに設定した。
論文参考訳（メタデータ） (2023-07-27T17:59:52Z)
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)
Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文参考訳（メタデータ） (2021-11-15T18:37:43Z)
DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文参考訳（メタデータ） (2021-04-30T15:30:05Z)
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)
Building Trust in Autonomous Vehicles: Role of Virtual Reality Driving Simulators in HMI Design [8.39368916644651]
本研究では,生理的信号から収集した連続的客観的情報に基づいて,AVのユーザエクスペリエンスを検証する手法を提案する。本手法を車両の感覚・計画システムに関する視覚的手がかりを提供するヘッドアップディスプレイインタフェースの設計に適用した。
論文参考訳（メタデータ） (2020-07-27T08:42:07Z)
LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文参考訳（メタデータ） (2020-06-16T17:44:35Z)
A machine learning environment for evaluating autonomous driving software [1.6516902135723865]
自動運転車のコーナーケース動作を検出するための機械学習環境を提案する。我々の環境は、CARLAシミュレーションソフトウェアを機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。
論文参考訳（メタデータ） (2020-03-07T13:05:03Z)

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。