論文の概要: Dreaming Across Towns: Semantic Rollout and Town-Adversarial Regularization for Zero-Shot Held-Out-Town Fixed-Route Driving in CARLA

• arxiv url: http://arxiv.org/abs/2604.27994v1
• Date: Thu, 30 Apr 2026 15:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.160681
• Title: Dreaming Across Towns: Semantic Rollout and Town-Adversarial Regularization for Zero-Shot Held-Out-Town Fixed-Route Driving in CARLA
• Title（参考訳）: 街中を夢見る:CARLAにおけるゼロショットHld-Out-Town固定ルート運転のためのセマンティックロールアウトとタウンアドバイザリライゼーション
• Authors: Feeza Khan Khanzada, Jaerock Kwon,
• Abstract要約: 学習された運転エージェントは、目に見えない環境でデプロイされると、しばしば劣化する。 本稿では、CARLAシミュレーターにおいて、この問題の故意に有界な事例について検討する。 ドリーマー方式の潜伏型ワールドモデルエージェントを構築し,2つのトレーニング専用補助損失を付加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned driving agents often degrade when deployed in unseen environments. This paper studies a deliberately bounded instance of that problem in the CARLA simulator: zero-shot transfer of a closed-loop fixed-route driving agent from Town05 and Town06 to unseen Town03 and Town04. The study isolates structural town shift by keeping weather fixed to ClearNoon and removing traffic and pedestrians. We build on a Dreamer-style latent world-model agent and add two training-only auxiliary losses: multi-horizon prediction of future visual-semantic embeddings along imagined rollouts and town-adversarial supervision on a semantic projection of the recurrent latent state. A causal context feature conditions the semantic rollout predictor, while the actor and critic retain the standard control feature. The policy receives no navigation command, route polyline, goal pose, or map input; the reference route is used only by the environment for reward, progress, success, and termination. Across the evaluated held-out towns, the proposed model achieves the highest mean success rate among the included Dreamer-family methods. Secondary safety and lane-keeping metrics are mixed across towns. These results support a bounded conclusion: in this controlled fixed-weather CARLA setting, semantic rollout supervision combined with town-adversarial regularization improves mean held-out-town route completion.
• Abstract（参考訳）: 学習された運転エージェントは、目に見えない環境でデプロイされると、しばしば劣化する。 本稿では,CARLAシミュレータにおけるこの問題の故意に束縛された事例について考察する: 閉ループ固定経路駆動剤をタウン05,タウン06からタウン03,タウン04へゼロショット転送する。 この研究は、ClearNoonの天気を保ち、交通や歩行者を除去することで、構造的な町の変化を分離する。 本研究では,Dreamer方式の潜伏型ワールドモデルエージェント上に構築し,将来の視覚的セマンティックな埋め込みのマルチホライゾン予測と,継続する潜伏状態のセマンティック・プロジェクションに関する街・アドバイザリの監督という2つのトレーニング専用補助的損失を付加する。 因果コンテキストはセマンティックロールアウト予測器を条件とし、アクターと批評家は標準制御機能を保持する。 このポリシーはナビゲーションコマンド、ルートポリライン、ゴールポーズ、マップ入力を受信せず、参照ルートは報酬、進歩、成功、終了のために環境によってのみ使用される。 提案手法は, 評価済みタウン全体において, ドリーマー・ファミリー・メソッドのうち, 平均成功率が最も高い。 二次安全と車線管理の指標が町全体で混在している。 この制御されたCARLA設定では、街を横断する正規化と組み合わせたセマンティックロールアウト管理により、平均的な街路完備が向上する。

関連論文リスト

• Zero-Shot Cross-City Generalization in End-to-End Autonomous Driving: Self-Supervised versus Supervised Representations [9.18632648031395]
  エンド・ツー・エンド軌道計画におけるゼロショット・クロスシティの一般化について検討する。 自己監督型視覚表現は都市間の移動を改善する。 これらの結果は、エンド・ツー・エンドの自動運転システムを評価するために必要なテストとしてゼロショットの地理的移動を確立する。
  論文  参考訳（メタデータ） (2026-03-12T01:19:32Z)
• Learning to Drive in New Cities Without Human Demonstrations [66.37858021482741]
  自己学習型マルチエージェント強化学習は,地図とメタ情報のみを用いて,運転方針をほぼ異なる目標都市に適応させることができることを示す。 本研究では,NOデータマップをベースとした自律運転用セルフプレイ(NOMAD)を導入し,目標都市マップに基づいて構築されたシミュレータにおけるポリシー適応を実現する。
  論文  参考訳（メタデータ） (2026-02-09T00:31:20Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• DTCCL: Disengagement-Triggered Contrastive Continual Learning for Autonomous Bus Planners [13.819705584989762]
  本稿では,自律型バスによる実運用による計画計画の改善を実現するための,拡張学習型コントラスト学習フレームワークを提案する。 都市バスの実験では、DTCCLは直接再訓練と比較して、全体の計画性能を48.6%改善している。
  論文  参考訳（メタデータ） (2025-12-22T02:59:37Z)
• InDRiVE: Reward-Free World-Model Pretraining for Autonomous Driving via Latent Disagreement [0.0]
  本稿では,DreamerV3スタイルのモデルベース強化学習エージェントであるInDRiVEについて述べる。 差別に基づく事前訓練は、町のシフトと一致する相互作用予算の下で、より強いゼロショットと堅牢な数ショット衝突回避をもたらす。
  論文  参考訳（メタデータ） (2025-12-21T18:40:15Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Decoding pedestrian and automated vehicle interactions using immersive virtual reality and interpretable deep learning [6.982614422666432]
  本研究では,自動走行車の存在による影響が期待される都市動態の重要な要素として,歩行者の横断行動について検討する。 歩行者の待ち時間はデータ駆動のCox Proportional Hazards(CPH)モデルを用いて分析される。 その結果,道路上の自動走行車の存在,広い車線幅,道路上の高密度化,観光距離の制限,歩行習慣の欠如が待ち時間の主な要因であることが示唆された。
  論文  参考訳（メタデータ） (2020-02-18T01:30:29Z)
• Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning [32.97789225998642]
  本稿では,エンドツーエンド自動運転のための解釈可能な深部強化学習手法を提案する。 逐次潜在環境モデルを導入し、強化学習プロセスと共同で学習する。 本手法は,自動車が運転環境にどう影響するかを,よりよく説明することができる。
  論文  参考訳（メタデータ） (2020-01-23T18:36:35Z)

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。