Fugu-MT 論文翻訳(概要): CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving

論文の概要: CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving

arxiv url: http://arxiv.org/abs/2503.22248v1
Date: Fri, 28 Mar 2025 08:59:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-31 15:31:11.241851
Title: CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving
Title（参考訳）: CRLLK:自動運転における車線維持のための制約付き強化学習
Authors: Xinwei Gao, Arambam James Singh, Gangadhar Royyuru, Michael Yuhas, Arvind Easwaran,
Abstract要約: 自律走行システムのレーン維持には、異なる目的のためにシナリオ固有の重量調整が必要である。そこで我々は,車線維持を制約付き強化学習問題として定式化し,重み係数をポリシーに従って自動的に学習し,シナリオ固有のチューニングの必要性を排除した。
参考スコア（独自算出の注目度）: 3.8179743311099545
License:
Abstract: Lane keeping in autonomous driving systems requires scenario-specific weight tuning for different objectives. We formulate lane-keeping as a constrained reinforcement learning problem, where weight coefficients are automatically learned along with the policy, eliminating the need for scenario-specific tuning. Empirically, our approach outperforms traditional RL in efficiency and reliability. Additionally, real-world demonstrations validate its practical value for real-world autonomous driving.
Abstract（参考訳）: 自律走行システムのレーン維持には、異なる目的のためにシナリオ固有の重量調整が必要である。そこで我々は,車線維持を制約付き強化学習問題として定式化し,重み係数をポリシーに従って自動的に学習し,シナリオ固有のチューニングの必要性を排除した。実証的に、我々のアプローチは従来のRLよりも効率と信頼性が優れている。さらに、実世界のデモは、実世界の自動運転の実践的価値を検証する。

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)
OWLed: Outlier-weighed Layerwise Pruning for Efficient Autonomous Driving Framework [3.8320050452121692]
本稿では,効率的な自律運転フレームワーク Outlier-Weighed Layerwise Pruning であるOWLedを紹介する。提案手法は,外乱特性の分布に基づいて,異なる層に対して一様でない空間比を割り当てる。圧縮モデルが自律運転タスクに適合するようにするため、運転環境データをキャリブレーションとプルーニングの両方に組み込む。
論文参考訳（メタデータ） (2024-11-12T10:55:30Z)
RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文参考訳（メタデータ） (2024-05-07T23:32:36Z)
Generalizing Cooperative Eco-driving via Multi-residual Task Learning [6.864745785996583]
MRTL(Multi-Residual Task Learning)はマルチタスク学習に基づく汎用的な学習フレームワークである。 MRTLは制御を従来の制御法と残留項によって効果的に解決される名目成分に分解する。我々は、システム制御の手段として自律走行車を用いた混合交通における艦隊レベルの排出削減にMRTLを使用している。
論文参考訳（メタデータ） (2024-03-07T05:25:34Z)
DRNet: A Decision-Making Method for Autonomous Lane Changingwith Deep Reinforcement Learning [7.2282857478457805]
DRNetは、DRLエージェントがシミュレートされた高速道路上で合理的な車線変更を行うことで、運転を学べる新しいDRLベースのフレームワークである。我々のDRLエージェントは、衝突を起こさずに所望のタスクを学習でき、DDQNや他のベースラインモデルより優れています。
論文参考訳（メタデータ） (2023-11-02T21:17:52Z)
Autonomous Driving with Deep Reinforcement Learning in CARLA Simulation [0.0]
我々は、Deep Q-Learningを使用して、自動運転車が他の車両を避けながら、最高速度で車線を維持できるポリシーを学ぶ。その後、我々はCARLAシミュレーション環境を使用して、新たに取得したポリシーをテストし、検証した。
論文参考訳（メタデータ） (2023-06-20T00:54:20Z)
Learning Stability Attention in Vision-based End-to-end Driving Policies [100.57791628642624]
本稿では, 制御型リアプノフ関数(CLF)を利用して, エンドツーエンドのビジョンベースのポリシに安定性を付与する手法を提案する。本稿では,att-CLFに密に統合された不確実性伝播手法を提案する。
論文参考訳（メタデータ） (2023-04-05T20:31:10Z)
Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。我々は、切り離された潜在的想像力に基づいて政策最適化を行う。これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文参考訳（メタデータ） (2023-03-27T02:55:56Z)
Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文参考訳（メタデータ） (2022-06-28T17:08:31Z)
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)
UMBRELLA: Uncertainty-Aware Model-Based Offline Reinforcement Learning Leveraging Planning [1.1339580074756188]
オフライン強化学習(RL)は、オフラインデータから意思決定を学ぶためのフレームワークを提供する。自動運転車(SDV)は、おそらく準最適データセットの振る舞いよりも優れるポリシーを学ぶ。これはモデルベースのオフラインRLアプローチの使用を動機付け、プランニングを活用する。
論文参考訳（メタデータ） (2021-11-22T10:37:52Z)

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。