論文の概要: Mini Autonomous Car Driving based on 3D Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2508.21271v1
- Date: Fri, 29 Aug 2025 00:21:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-01 19:45:10.9063
- Title: Mini Autonomous Car Driving based on 3D Convolutional Neural Networks
- Title（参考訳）: 3次元畳み込みニューラルネットワークによるミニ自律走行
- Authors: Pablo Moraes, Monica Rodriguez, Kristofer S. Kappel, Hiago Sodre, Santiago Fernandez, Igor Nunes, Bruna Guterres, Ricardo Grando,
- Abstract要約: 信頼性があり信頼性の高い自律システムの開発は、高い複雑さ、長い訓練期間、本質的な不確実性のレベルといった課題を引き起こす。
ミニオートマチックカー (MAC) は、小規模の設備における自律制御手法の検証を可能にする実用的なテストベッドとして使用される。
本研究では、シミュレーション環境におけるMAC自律運転のためのRGB-D情報と3次元畳み込みニューラルネットワーク(3次元CNN)に基づく方法論を提案する。
- 参考スコア（独自算出の注目度）: 0.6349729476511409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous driving applications have become increasingly relevant in the automotive industry due to their potential to enhance vehicle safety, efficiency, and user experience, thereby meeting the growing demand for sophisticated driving assistance features. However, the development of reliable and trustworthy autonomous systems poses challenges such as high complexity, prolonged training periods, and intrinsic levels of uncertainty. Mini Autonomous Cars (MACs) are used as a practical testbed, enabling validation of autonomous control methodologies on small-scale setups. This simplified and cost-effective environment facilitates rapid evaluation and comparison of machine learning models, which is particularly useful for algorithms requiring online training. To address these challenges, this work presents a methodology based on RGB-D information and three-dimensional convolutional neural networks (3D CNNs) for MAC autonomous driving in simulated environments. We evaluate the proposed approach against recurrent neural networks (RNNs), with architectures trained and tested on two simulated tracks with distinct environmental features. Performance was assessed using task completion success, lap-time metrics, and driving consistency. Results highlight how architectural modifications and track complexity influence the models' generalization capability and vehicle control performance. The proposed 3D CNN demonstrated promising results when compared with RNNs.
- Abstract（参考訳）: 自動車の安全性、効率性、ユーザーエクスペリエンスを高める可能性から、自動車業界では自動運転の応用がますます重要になってきており、高度な運転支援機能への需要が高まっている。
しかし、信頼性があり信頼性の高い自律システムの開発は、高い複雑さ、長い訓練期間、本質的な不確実性のレベルといった課題を引き起こす。
ミニオートマチックカー (MAC) は、小規模の設備における自律制御手法の検証を可能にする実用的なテストベッドとして使用される。
このシンプルで費用対効果の高い環境は、オンライントレーニングを必要とするアルゴリズムに特に有用である機械学習モデルの迅速な評価と比較を容易にする。
これらの課題に対処するために、シミュレーション環境におけるMAC自律運転のためのRGB-D情報と3次元畳み込みニューラルネットワーク(3D CNN)に基づく方法論を提案する。
本研究では, 異なる環境特性を持つ2つのシミュレーショントラック上で, アーキテクチャを訓練し, テストし, 繰り返しニューラルネットワーク(RNN)に対するアプローチを評価する。
パフォーマンスは、タスク完了の成功、ラップタイムメトリクス、駆動一貫性を使って評価された。
結果は、アーキテクチャの変更とトラックの複雑さがモデルの一般化能力と車両制御性能にどのように影響するかを強調した。
提案した3D CNNはRNNと比較して有望な結果を示した。
関連論文リスト
- DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - Self-Driving Car Racing: Application of Deep Reinforcement Learning [0.0]
このプロジェクトの目的は、OpenAI Gymnasium CarRacing環境でシミュレーションカーを効率的に駆動するAIエージェントを開発することである。
本稿では,DQN(Deep Q-Network)やPPO(Proximal Policy Optimization)などのRLアルゴリズムや,トランスファーラーニングとリカレントニューラルネットワーク(RNN)を組み込んだ新たな適応手法について検討する。
論文 参考訳（メタデータ） (2024-10-30T07:32:25Z) - 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) - 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) - 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) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳（メタデータ） (2022-05-18T04:15:42Z) - 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) - 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) - Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。
具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。
提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文 参考訳（メタデータ） (2020-12-26T19:41:15Z) - 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)
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。