論文の概要: Autonomous overtaking trajectory optimization using reinforcement learning and opponent pose estimation

• arxiv url: http://arxiv.org/abs/2603.27207v1
• Date: Sat, 28 Mar 2026 09:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.848455
• Title: Autonomous overtaking trajectory optimization using reinforcement learning and opponent pose estimation
• Title（参考訳）: 強化学習と対向ポーズ推定を用いた自律的オーバテイク軌道最適化
• Authors: Matej Rene Cihlar, Luka Šiktar, Branimir Ćaran, Marko Švaco,
• Abstract要約: 本稿では,マルチエージェント自律走行環境のための強化学習機構を提案する。 このシステムは、LiDARに2D検出アルゴリズムと、YOLOベースの物体検出機能を備えた深度カメラを使って、乗り越えるべき車両を識別する。 提案アルゴリズムは,シミュレーションと実世界の実験の両方において,オーバーテイク操作を成功させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle overtaking is one of the most complex driving maneuvers for autonomous vehicles. To achieve optimal autonomous overtaking, driving systems rely on multiple sensors that enable safe trajectory optimization and overtaking efficiency. This paper presents a reinforcement learning mechanism for multi-agent autonomous racing environments, enabling overtaking trajectory optimization, based on LiDAR and depth image data. The developed reinforcement learning agent uses pre-generated raceline data and sensor inputs to compute the steering angle and linear velocity for optimal overtaking. The system uses LiDAR with a 2D detection algorithm and a depth camera with YOLO-based object detection to identify the vehicle to be overtaken and its pose. The LiDAR and the depth camera detection data are fused using a UKF for improved opponent pose estimation and trajectory optimization for overtaking in racing scenarios. The results show that the proposed algorithm successfully performs overtaking maneuvers in both simulation and real-world experiments, with pose estimation RMSE of (0.0816, 0.0531) m in (x, y).
• Abstract（参考訳）: 自動車のオーバーテイクは、自動運転車にとって最も複雑な運転操作の1つだ。 最適な自律的なオーバーテイクを実現するために、運転システムは安全な軌道最適化と効率の獲得を可能にする複数のセンサーに依存している。 本稿では,LiDARと深度画像データに基づく多エージェント自律走行環境のための強化学習機構を提案する。 本発明の強化学習剤は、予め生成されたレースラインデータとセンサ入力を用いて、最適オーバーテイクのための操舵角度と線形速度を算出する。 このシステムは、LiDARに2D検出アルゴリズムと、YOLOベースの物体検出機能を備えた深度カメラを使って、乗っ取られる車両とそのポーズを識別する。 LiDARと深度カメラ検出データはUKFを用いて融合され、対戦相手のポーズ推定を改善するとともに、レースシナリオにおけるオーバテイクのための軌道最適化を行う。 その結果,提案アルゴリズムはシミュレーションおよび実世界の実験において, (0.0816, 0.0531) m in (x, y) の RMSE のポーズ推定を成功裏に行うことができた。

関連論文リスト

• Data Augmentation Strategies for Robust Lane Marking Detection [5.140388424678906]
  本稿では、車線監視に使用されるサイドマウントカメラの領域シフトの課題について、生成型AIベースのデータ拡張パイプラインを導入することで解決する。 このアプローチは、幾何学的視点変換、AI駆動の塗装、車体オーバーレイを組み合わせて、デプロイメント固有の視点をシミュレートする。 強化されたデータをトレーニングすることで、両方のモデルはシャドーを含むさまざまな条件に対する堅牢性を改善する。
  論文  参考訳（メタデータ） (2025-11-24T00:47:27Z)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• KAN-RCBEVDepth: A multi-modal fusion algorithm in object detection for autonomous driving [2.382388777981433]
  本稿では, 自律走行における3次元物体検出の高速化を目的としたkan-RCBEVDepth法を提案する。 我々のユニークなBird’s Eye Viewベースのアプローチは、検出精度と効率を大幅に改善します。 コードはurlhttps://www.laitiamo.com/laitiamo/RCBEVDepth-KANでリリースされる。
  論文  参考訳（メタデータ） (2024-08-04T16:54:49Z)
• Traffic control using intelligent timing of traffic lights with reinforcement learning technique and real-time processing of surveillance camera images [0.0]
  信号機の最適タイミングを判定し、複数のパラメータに従って適用する。 YOLOv9-Cモデルを用いた車両検出には深層学習法が用いられた。 イランの車の画像にトランスファーラーニングとモデルの再訓練を併用することで、モデルの精度が向上した。
  論文  参考訳（メタデータ） (2024-05-22T00:04:32Z)
• Safe Navigation: Training Autonomous Vehicles using Deep Reinforcement Learning in CARLA [0.0]
  このプロジェクトの目的は、深層強化学習技術を用いて、不確実な環境での走行を判断できるように自動運転車を訓練することである。 シミュレータは、自動運転モデルのトレーニングとテストのための現実的で都市環境を提供する。
  論文  参考訳（メタデータ） (2023-10-23T04:23:07Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)

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。