論文の概要: A Champion-level Vision-based Reinforcement Learning Agent for Competitive Racing in Gran Turismo 7

• arxiv url: http://arxiv.org/abs/2504.09021v1
• Date: Sat, 12 Apr 2025 00:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-25 02:04:49.476798
• Title: A Champion-level Vision-based Reinforcement Learning Agent for Competitive Racing in Gran Turismo 7
• Title（参考訳）: グランド・チューリッソ7における競争レースのためのチャンピオンレベルのビジョンベース強化学習エージェント
• Authors: Hojoon Lee, Takuma Seno, Jun Jet Tai, Kaushik Subramanian, Kenta Kawamoto, Peter Stone, Peter R. Wurman,
• Abstract要約: 我々は、エゴ中心のカメラビューとオンボードセンサーデータにのみ依存するビジョンベースの自律レースエージェントを導入する。 この研究は、競争力のあるレースシナリオにおいてチャンピオンレベルのパフォーマンスを示す最初のビジョンベースの自律レースエージェントを示す。
• 参考スコア（独自算出の注目度）: 29.796354657530152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep reinforcement learning has achieved superhuman racing performance in high-fidelity simulators like Gran Turismo 7 (GT7). It typically utilizes global features that require instrumentation external to a car, such as precise localization of agents and opponents, limiting real-world applicability. To address this limitation, we introduce a vision-based autonomous racing agent that relies solely on ego-centric camera views and onboard sensor data, eliminating the need for precise localization during inference. This agent employs an asymmetric actor-critic framework: the actor uses a recurrent neural network with the sensor data local to the car to retain track layouts and opponent positions, while the critic accesses the global features during training. Evaluated in GT7, our agent consistently outperforms GT7's built-drivers. To our knowledge, this work presents the first vision-based autonomous racing agent to demonstrate champion-level performance in competitive racing scenarios.
• Abstract（参考訳）: 深層強化学習はGran Turismo 7 (GT7)のような高忠実度シミュレーターにおいて超人的なレース性能を達成した。 典型的には、エージェントや相手の正確な位置決め、現実の応用性を制限するなど、車外機器を必要とするグローバルな機能を利用する。 この制限に対処するために、エゴ中心のカメラビューとオンボードセンサーデータのみに依存する視覚ベースの自律レースエージェントを導入し、推論中の正確な位置決めの必要性を排除した。 アクターは、車に局所的なセンサーデータを持つリカレントニューラルネットワークを使用して、トラックレイアウトと反対位置を保持し、批評家はトレーニング中にグローバルな特徴にアクセスする。 我々のエージェントはGT7で評価され、GT7の組込みドライバよりも一貫して優れています。 我々の知る限り、この研究は、競争的なレースシナリオにおいてチャンピオンレベルのパフォーマンスを示す最初のビジョンベースの自律レースエージェントである。

関連論文リスト

• Learn 2 Rage: Experiencing The Emotional Roller Coaster That Is Reinforcement Learning [5.962453678471195]
  この研究は、AIcrowdが主催するLearn To Race Autonomous Racing Virtual Challenge 2022で優勝したチームの実験とソリューションの概要を示します。 Learn-to-Raceコンペティションの目的は、自動運転の安全性のメリットを達成することに焦点を当て、自動運転技術の境界を推し進めることである。 SAC(Soft Actor Critic)の変種の実装に焦点をあてた。 私たちのゴールは、視覚的特徴と幾何学的特徴のみからレースカーの非自明な制御を学習し、ピクセルを直接制御アクションにマッピングすることでした。
  論文  参考訳（メタデータ） (2024-10-24T06:16:52Z)
• A Super-human Vision-based Reinforcement Learning Agent for Autonomous Racing in Gran Turismo [30.724255021481458]
  本稿では,センサ入力が車に純粋に局所的な,最初のスーパーヒューマンカーレースエージェントについて紹介する。 訓練時にのみグローバルな機能を活用することで、学習エージェントはタイムトライアルで最高の人間ドライバーより優れたパフォーマンスを発揮することができる。 得られたエージェントは、Gran Turismo 7において、複数のトラックと車上で評価される。
  論文  参考訳（メタデータ） (2024-06-18T12:49:27Z)
• Enhancing End-to-End Autonomous Driving with Latent World Model [78.22157677787239]
  本稿では,LAW(Latent World Model)を用いたエンドツーエンド運転のための自己教師型学習手法を提案する。 LAWは、現在の特徴とエゴ軌道に基づいて将来のシーン機能を予測する。 この自己監督タスクは、知覚のない、知覚に基づくフレームワークにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:21Z)
• er.autopilot 1.0: The Full Autonomous Stack for Oval Racing at High Speeds [61.91756903900903]
  インディ・オートノラティカル・チャレンジ (IAC) は、オープンホイールのレースカー上で独立して開発されたソフトウェアを使用して、前例のないスピードとヘッド・ツー・ヘッドのシナリオで競う9つの自律レースチームを集めた。 本稿では,チームTII EuroRacing (TII-ER) が使用するソフトウェアアーキテクチャについて述べる。静的障害物を避け,アクティブオーバーテイクを行い,75m/s (270 km/h) 以上の速度に達するために必要なモジュールをすべて網羅する。 総合的な結果と各モジュールのパフォーマンス、および、チームがそれぞれ2番目と3番目を置く楕円軌道上の競技の最初の2つのイベントで学んだ教訓について説明する。
  論文  参考訳（メタデータ） (2023-10-27T12:52:34Z)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• 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)
• Expert Human-Level Driving in Gran Turismo Sport Using Deep Reinforcement Learning with Image-based Representation [4.989480853499916]
  人間のプレイヤーに勝るリアルなレーシングゲームAIエージェントは、画像ベースの環境情報を使用しない。 視覚に基づく制御アルゴリズムを提案し,人間選手のパフォーマンスと比較した。 グラン・チューリッソ・スポーツ(Gran Turismo Sport)のAIをタイムトライアルで上回り、そのスコアは、約28,000人の人間選手のトップ10%にランクインしている。
  論文  参考訳（メタデータ） (2021-11-11T20:31:19Z)
• 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)
• Learn-to-Race: A Multimodal Control Environment for Autonomous Racing [23.798765519590734]
  模擬フォーミュラ-Eスタイルのレースにおいて、L2R(Learn-to-Race)が活躍する新しい環境を紹介します。 シミュレーターと対面トレーニングフレームワークを含む我々の環境は、車両のダイナミックスとレース条件を正確にモデル化する。 次に,学習からドライブへの挑戦,フォーミュラeレース,および自動運転のためのマルチモーダル軌道予測に着想を得たl2rタスクを提案する。
  論文  参考訳（メタデータ） (2021-03-22T04:03:06Z)
• SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
  私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。 実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
  論文  参考訳（メタデータ） (2021-01-16T22:51:43Z)

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。