論文の概要: Imitation Learning for Autonomous Driving: Insights from Real-World Testing
- arxiv url: http://arxiv.org/abs/2504.18847v1
- Date: Sat, 26 Apr 2025 08:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.015552
- Title: Imitation Learning for Autonomous Driving: Insights from Real-World Testing
- Title（参考訳）: 自動運転のための模倣学習:実世界テストからの洞察
- Authors: Hidayet Ersin Dursun, Yusuf Güven, Tufan Kumbasar,
- Abstract要約: この研究は、現実世界のMIT Racecarにデプロイされ、テストされるディープラーニングベースの自動運転システムの設計に焦点を当てている。
Deep Neural Network(DNN)は、生の画像入力をエンドツーエンドの学習方法でリアルタイムのステアリングコマンドに変換する。
- 参考スコア（独自算出の注目度）: 2.526146573337397
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work focuses on the design of a deep learning-based autonomous driving system deployed and tested on the real-world MIT Racecar to assess its effectiveness in driving scenarios. The Deep Neural Network (DNN) translates raw image inputs into real-time steering commands in an end-to-end learning fashion, following the imitation learning framework. The key design challenge is to ensure that DNN predictions are accurate and fast enough, at a high sampling frequency, and result in smooth vehicle operation under different operating conditions. In this study, we design and compare various DNNs, to identify the most effective approach for real-time autonomous driving. In designing the DNNs, we adopted an incremental design approach that involved enhancing the model capacity and dataset to address the challenges of real-world driving scenarios. We designed a PD system, CNN, CNN-LSTM, and CNN-NODE, and evaluated their performance on the real-world MIT Racecar. While the PD system handled basic lane following, it struggled with sharp turns and lighting variations. The CNN improved steering but lacked temporal awareness, which the CNN-LSTM addressed as it resulted in smooth driving performance. The CNN-NODE performed similarly to the CNN-LSTM in handling driving dynamics, yet with slightly better driving performance. The findings of this research highlight the importance of iterative design processes in developing robust DNNs for autonomous driving applications. The experimental video is available at https://www.youtube.com/watch?v=FNNYgU--iaY.
- Abstract（参考訳）: この研究は、現実世界のMIT Racecarにデプロイされ、テストされたディープラーニングベースの自動運転システムの設計に焦点を当て、運転シナリオの有効性を評価する。
Deep Neural Network(DNN)は、模倣学習フレームワークに従って、生の画像入力をエンドツーエンドの学習方法でリアルタイムのステアリングコマンドに変換する。
重要な設計課題は、DNN予測が十分に正確かつ高速であり、高いサンプリング周波数で、結果として異なる運転条件下でのスムーズな車両操作を実現することである。
本研究では、リアルタイム自動運転における最も効果的なアプローチを特定するために、様々なDNNを設計・比較する。
DNNの設計では、実世界の運転シナリオの課題に対処するため、モデルのキャパシティとデータセットを向上するインクリメンタルな設計アプローチを採用しました。
我々は,PDシステム,CNN,CNN-LSTM,CNN-NODEを設計し,実世界のMITレースカーの性能評価を行った。
PDシステムは基本的な車線を処理したが、急旋回と点灯のバリエーションに悩まされた。
CNNはステアリングを改善したが、時間的認識を欠いていたため、CNN-LSTMはスムーズな運転性能を実現した。
CNN-NODE は CNN-LSTM と似ているが、駆動性能は若干改善された。
本研究の結果は、自律運転アプリケーションのための堅牢なDNNを開発する上で、反復設計プロセスの重要性を強調している。
実験ビデオはhttps://www.youtube.com/watch?
v=FNNYgU--iaY。
関連論文リスト
- 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) - Autonomous Driving using Spiking Neural Networks on Dynamic Vision Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替計算モデルを提供する。
自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。
本稿では,実車上でSNNを使用するための重要なステップである,CARLAシミュレータにおける実写走行シーンのSNNについて検討する。
論文 参考訳（メタデータ） (2023-09-27T23:31:30Z) - KARNet: Kalman Filter Augmented Recurrent Neural Network for Learning
World Models in Autonomous Driving Tasks [11.489187712465325]
本稿では、フロントカメラ画像のみを用いて、交通流の潜在表現を学習するために、Kalmanフィルタの強化されたリカレントニューラルネットワークアーキテクチャを提案する。
その結果,車両の明示的なモデル(カルマンフィルタを用いて推定した状態)をエンドツーエンド学習に組み込むことで,性能が著しく向上した。
論文 参考訳（メタデータ） (2023-05-24T02:27:34Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - Multi-task UNet architecture for end-to-end autonomous driving [0.0]
本稿では,MTUNetアーキテクチャと制御アルゴリズムを統合したエンドツーエンド駆動モデルを提案する。
エンド・ツー・エンド駆動システムの総合的、動的、リアルタイムな性能を評価するための定量的尺度を提供し、MTUNetの安全性と解釈性を提供する。
論文 参考訳（メタデータ） (2021-12-16T15:35:15Z) - 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) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳（メタデータ） (2021-10-22T15:25:14Z) - Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement
Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。
我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文 参考訳（メタデータ） (2021-07-18T00:00:48Z) - Driving Style Representation in Convolutional Recurrent Neural Network
Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。
CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。
次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文 参考訳（メタデータ） (2021-02-11T04:33:43Z) - End-to-End Deep Learning of Lane Detection and Path Prediction for
Real-Time Autonomous Driving [0.0]
本稿では,車線検出と道路認識のためのエンドツーエンド3タスク畳み込みニューラルネットワーク(TCNN)を提案する。
3TCNNをベースとして,3TCNN-PPの統合モデルを構築するために,側方オフセットと経路予測(PP)アルゴリズムを提案する。
また,実または人工的な交通画像によるCNN訓練,人工画像によるテスト,動的エラーの定量化,定性的な性能の可視化に使用可能なCNN-PPシミュレータを開発した。
論文 参考訳（メタデータ） (2021-02-09T10:04:39Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
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。