Fugu-MT 論文翻訳(概要): LEADS: Lightweight Embedded Assisted Driving System

論文の概要: LEADS: Lightweight Embedded Assisted Driving System

arxiv url: http://arxiv.org/abs/2410.17554v1
Date: Wed, 23 Oct 2024 04:40:45 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-24 13:57:18.732041
Title: LEADS: Lightweight Embedded Assisted Driving System
Title（参考訳）: LEADS:軽量組込み運転支援システム
Authors: Tianhao Fu, Querobin Mascarenhas, Andrew Forti,
Abstract要約: 高校や大学生と対決するフォーミュラレースは、これまで以上に人気が高まっている。多くの場合、標準化された商用車両から受け継いだツールキットや技術にインスパイアされたり、直接利用されたりしています。機器, 制御, 解析システムの開発を効率化し, 効率化を図るため, LEADSを提案する。
参考スコア（独自算出の注目度）: 0.2340830801548167
License:
Abstract: With the rapid development of electric vehicles, formula races that face high school and university students have become more popular than ever as the threshold for design and manufacturing has been lowered. In many cases, we see teams inspired by or directly using toolkits and technologies inherited from standardized commercial vehicles. These architectures are usually overly complicated for amateur applications like the races. In order to improve the efficiency and simplify the development of instrumentation, control, and analysis systems, we propose LEADS (Lightweight Embedded Assisted Driving System), a dedicated solution for such scenarios.
Abstract（参考訳）: 電気自動車の急速な発展に伴い、デザインと製造のしきい値が下がったため、高校生や大学生が直面するフォーミュラレースは、これまで以上に人気が高まっている。多くの場合、標準化された商用車両から受け継いだツールキットや技術にインスパイアされたり、直接利用されたりしています。これらのアーキテクチャは通常、レースのようなアマチュアアプリケーションにとって過度に複雑である。機器, 制御, 解析システムの開発を効率化し, 効率化を図るため, シナリオ専用ソリューションであるLEADS(Lightweight Embedded Assisted Driving System)を提案する。

関連論文リスト

Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
論文参考訳（メタデータ） (2024-09-24T14:58:27Z)
Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文参考訳（メタデータ） (2024-07-17T11:17:20Z)
Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
論文参考訳（メタデータ） (2024-07-12T09:24:34Z)
EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
本研究では,データ駆動型自動車追従モデルを提案する。本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
論文参考訳（メタデータ） (2024-06-23T15:04:07Z)
Generating and Evolving Reward Functions for Highway Driving with Large Language Models [18.464822261908562]
強化学習(RL)は自動運転技術の進歩において重要な役割を担っている。本稿では,大規模言語モデル(LLM)をRLと統合し,自律運転における報酬関数設計を改善する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-15T07:50:10Z)
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)
Teacher-Student Knowledge Distillation for Radar Perception on Embedded Accelerators [3.4916763765390053]
低レベルレーダ認識タスクに対する教師による知識蒸留手法を提案する。提案した学生モデルは,教師モデルより100倍速い速度で実行可能であることを示す。
論文参考訳（メタデータ） (2023-03-14T02:12:00Z)
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)
End-to-End Urban Driving by Imitating a Reinforcement Learning Coach [148.2683592850329]
人間は良いドライバーだが、エンドツーエンドのアルゴリズムにとって良いコーチではない。我々は、鳥の目視画像を連続的な低レベル行動にマッピングする強化学習専門家を訓練する。我々の強化学習コーチによって監督され、単眼カメラ入力のベースラインエンドツーエンドエージェントは、専門家レベルのパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-08-18T17:36:51Z)
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)
Affordance-based Reinforcement Learning for Urban Driving [3.507764811554557]
経路点と低次元視覚表現を用いた最適制御ポリシーを学習するための深層強化学習フレームワークを提案する。スクラッチから訓練されたエージェントは、車線追従のタスクを学習し、区間間を走り回り、密集した交通状況でも他のアクターや信号機の前で立ち止まることを実証する。
論文参考訳（メタデータ） (2021-01-15T05:21:25Z)

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。