論文の概要: Learning to Drive from a World Model

• arxiv url: http://arxiv.org/abs/2504.19077v1
• Date: Sun, 27 Apr 2025 02:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.12242
• Title: Learning to Drive from a World Model
• Title（参考訳）: 世界モデルからドライブを学ぶ
• Authors: Mitchell Goff, Greg Hogan, George Hotz, Armand du Parc Locmaria, Kacper Raczy, Harald Schäfer, Adeeb Shihadeh, Weixing Zhang, Yassine Yousfi,
• Abstract要約: そこで本研究では,実運転データを用いて実運転ポリシーを訓練するエンドツーエンドのトレーニングアーキテクチャを提案する。 本研究では,再計画型シミュレーションと学習世界モデルを用いたシミュレーションの2つの方法を示す。 クローズドループシミュレーションや,現実の先進運転支援システムに展開する場合に,これらのポリシーの性能を評価する。
• 参考スコア（独自算出の注目度）: 0.5055815271772576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most self-driving systems rely on hand-coded perception outputs and engineered driving rules. Learning directly from human driving data with an end-to-end method can allow for a training architecture that is simpler and scales well with compute and data. In this work, we propose an end-to-end training architecture that uses real driving data to train a driving policy in an on-policy simulator. We show two different methods of simulation, one with reprojective simulation and one with a learned world model. We show that both methods can be used to train a policy that learns driving behavior without any hand-coded driving rules. We evaluate the performance of these policies in a closed-loop simulation and when deployed in a real-world advanced driver-assistance system.
• Abstract（参考訳）: ほとんどの自動運転システムは、手書きの知覚出力とエンジニアリングされた運転規則に依存している。 エンドツーエンドの手法で人間の運転データから直接学習することで、計算やデータに対してシンプルでスケールのよいトレーニングアーキテクチャを実現できる。 そこで本研究では,実運転データを用いて実運転ポリシーを訓練するエンドツーエンドのトレーニングアーキテクチャを提案する。 本研究では,再計画型シミュレーションと学習世界モデルを用いたシミュレーションの2つの方法を示す。 両手法は、手書き運転規則を使わずに運転行動を学ぶ政策の訓練に使用できることを示す。 クローズドループシミュレーションや,現実の先進運転支援システムに展開する場合に,これらのポリシーの性能を評価する。

関連論文リスト

• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
  我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。 これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。 これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
  論文  参考訳（メタデータ） (2022-10-25T17:50:36Z)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Urban Driver: Learning to Drive from Real-world Demonstrations Using Policy Gradients [7.58363583085932]
  本研究では,実世界における大規模な実証実験から,複雑な都市交通の模倣政策を学習するためのオフラインポリシー手法を提案する。 これは、知覚出力と高忠実度HDマップの上に、微分可能なデータ駆動シミュレータを構築することで実現される。 提案手法は,都市道路における100時間にわたる専門家による実証実験に基づいて学習し,複雑な運転方針を学習し,多種多様な運転操作を行えることを示す。
  論文  参考訳（メタデータ） (2021-09-27T20:19:18Z)
• 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)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。