論文の概要: PCLA: A Framework for Testing Autonomous Agents in the CARLA Simulator

• arxiv url: http://arxiv.org/abs/2503.09385v1
• Date: Wed, 12 Mar 2025 13:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:36:14.789319
• Title: PCLA: A Framework for Testing Autonomous Agents in the CARLA Simulator
• Title（参考訳）: PCLA: CARLAシミュレータで自律エージェントをテストするフレームワーク
• Authors: Masoud Jamshidiyan Tehrani, Jinhan Kim, Paolo Tonella,
• Abstract要約: オープンソースのPythonテスティングフレームワークであるPCLA(Pretrained CARLA Leaderboard Agents)を紹介する。 PCLAは、任意のCARLA環境/シナリオで様々な自律エージェントをテストするために特別に設計された最初のインフラである。
• 参考スコア（独自算出の注目度）: 7.663782509651968
• License:
• Abstract: Recent research on testing autonomous driving agents has grown significantly, especially in simulation environments. The CARLA simulator is often the preferred choice, and the autonomous agents from the CARLA Leaderboard challenge are regarded as the best-performing agents within this environment. However, researchers who test these agents, rather than training their own ones from scratch, often face challenges in utilizing them within customized test environments and scenarios. To address these challenges, we introduce PCLA (Pretrained CARLA Leaderboard Agents), an open-source Python testing framework that includes nine high-performing pre-trained autonomous agents from the Leaderboard challenges. PCLA is the first infrastructure specifically designed for testing various autonomous agents in arbitrary CARLA environments/scenarios. PCLA provides a simple way to deploy Leaderboard agents onto a vehicle without relying on the Leaderboard codebase, it allows researchers to easily switch between agents without requiring modifications to CARLA versions or programming environments, and it is fully compatible with the latest version of CARLA while remaining independent of the Leaderboard's specific CARLA version. PCLA is publicly accessible at https://github.com/MasoudJTehrani/PCLA.
• Abstract（参考訳）: 自律運転エージェントの試験に関する最近の研究は、特にシミュレーション環境で大きく成長している。 CARLAシミュレータは、しばしば好まれる選択であり、CARLA Leaderboardチャレンジの自律エージェントは、この環境の中で最高のパフォーマンスのエージェントとみなされる。 しかし、これらのエージェントをテストする研究者は、自分自身のエージェントをゼロからトレーニングするのではなく、カスタマイズされたテスト環境やシナリオでそれらを利用する際の課題に直面することが多い。 これらの課題に対処するために、オープンソースのPythonテスティングフレームワークであるPCLA(Pretrained CARLA Leaderboard Agents)を紹介します。 PCLAは、任意のCARLA環境/シナリオで様々な自律エージェントをテストするために特別に設計された最初のインフラである。 PCLAは、Leadboardのコードベースに頼ることなく、車両にLeadboardエージェントをデプロイする簡単な方法を提供する。CARLAバージョンやプログラミング環境の変更を必要とせずに、簡単にエージェントを切り替えることができ、Leadboardの特定のCARLAバージョンとは独立しながら、最新バージョンのCARLAと完全に互換性がある。 PCLAはhttps://github.com/MasoudJTehrani/PCLAで公開されている。

関連論文リスト

• WHALES: A Multi-agent Scheduling Dataset for Enhanced Cooperation in Autonomous Driving [54.365702251769456]
  我々は、駆動シーケンス当たり平均8.4エージェントのデータセットを提示する。 自律運転データセットの中で最大のエージェントと視点を提供するだけでなく、WHALESはエージェントの振る舞いを記録する。 エージェントスケジューリングタスクにおいて,エゴエージェントが複数の候補エージェントの1つを選択して協調する実験を行う。
  論文  参考訳（メタデータ） (2024-11-20T14:12:34Z)
• AARK: An Open Toolkit for Autonomous Racing Research [3.0882784925816997]
  AARKは、より安全な道路と信頼できる自律システムの提供に不可欠な分野の研究を統一し、民主化することを目指している。 AARKはACI、ACDG、ACICの3つのパッケージを提供する。
  論文  参考訳（メタデータ） (2024-10-01T03:07:48Z)
• Fast and Modular Autonomy Software for Autonomous Racing Vehicles [24.2222961043227]
  インディ・オートマチック・チャレンジ(英語: Indy Autonomous Challenge、IAC)は、自動運転車開発を推進する国際大会である。 本稿は、ITCにおける自動運転レースに対するMIT-Pitt-RWチームのアプローチについて詳述する。 自律的なスタックを構築するために,エージェント検出,動作計画,制御に対するモジュール型かつ高速なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-27T21:57:16Z)
• GAD-Generative Learning for HD Map-Free Autonomous Driving [10.767422885581723]
  本稿では,自律運転の現実的な応用におけるルールベース手法の欠如を克服する試みとともに,予測,決定,計画モジュールをもたらすディープラーニングベースのアプローチを提案する。 この方法は、工場対応のセンサーセットと計算プラットフォームを変更することなく、ジユーテストカーに展開される。
  論文  参考訳（メタデータ） (2024-05-01T13:51:39Z)
• ANTI-CARLA: An Adversarial Testing Framework for Autonomous Vehicles in CARLA [2.221578716680031]
  オープンワールドシナリオで自律走行システムをテストするのは難しく、時間がかかるし、コストもかかる。 このようなテストの重要な部分は、あるシステムの障害につながるシナリオを見つけることを目標とする、敵対的なテストである。 敵の気象条件をシミュレーションするCARLAの自動テストフレームワークであるAnti-CARLAを提案する。
  論文  参考訳（メタデータ） (2022-07-19T01:05:26Z)
• Adapting Rapid Motor Adaptation for Bipedal Robots [73.5914982741483]
  移動制御の急速な適応の最近の進歩を活用し、二足歩行ロボットで作業できるように拡張する。 A-RMAはモデルフリーRLを用いて微調整することで不完全外部推定器の基本方針を適応する。 シミュレーションにおいて,A-RMAはRLベースのベースラインコントローラやモデルベースコントローラよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T17:59:09Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• DriverGym: Democratising Reinforcement Learning for Autonomous Driving [75.91049219123899]
  本稿では,自律運転のための強化学習アルゴリズムを開発するオープンソース環境であるDeadGymを提案する。 DriverGymは1000時間以上の専門家ログデータへのアクセスを提供し、リアクティブおよびデータ駆動エージェントの動作をサポートする。 広範かつフレキシブルなクローズループ評価プロトコルを用いて,実世界のデータ上でRLポリシーの性能を容易に検証できる。
  論文  参考訳（メタデータ） (2021-11-12T11:47:08Z)
• A Reinforcement Learning Benchmark for Autonomous Driving in Intersection Scenarios [11.365750371241154]
  本稿では,RL-CISと呼ばれる複雑な交差点シナリオにおける自律走行エージェントの訓練と試験のためのベンチマークを提案する。 テストベンチマークとベースラインは、交差点シナリオにおける自動運転のためのRLの研究のための公平で包括的なトレーニングおよびテストプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-09-22T07:38:23Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)
• SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for Autonomous Driving [96.50297622371457]
  マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。 研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。 SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
  論文  参考訳（メタデータ） (2020-10-19T18:26:10Z)

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。