論文の概要: Transfer Learning for Customized Car Racing Environments

• arxiv url: http://arxiv.org/abs/2605.17928v1
• Date: Mon, 18 May 2026 06:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.923923
• Title: Transfer Learning for Customized Car Racing Environments
• Title（参考訳）: カスタムカーレース環境におけるトランスファー学習
• Authors: Benedict Florance Arockiaraj, Richard Chang, Wesley Yee,
• Abstract要約: 深層強化学習の立場からトランスファーラーニングを探求する。 具体的には,OpenAIのカーレース環境において,高速ラップタイムを実現するためにトランスファーラーニングを利用したいと考えています。 モデルベースアプローチとモデルフリーアプローチのパフォーマンスを比較し、モデルベースアプローチが性能を支配し、この環境におけるモデルフリーアプローチよりも高速に収束することを観察する。
• 参考スコア（独自算出の注目度）: 0.6295794486919435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer Learning, a technique where a model/agent can use the knowledge/expertise that it gained from one task and exploit that to solve another closely-related task, is often used in tackling problems in deep learning. Through this project, we explore transfer learning in the purview of deep reinforcement learning. Specifically, we want to use transfer learning to achieve the fast lap times in OpenAI's Car racing environment by training the agent on one circuit, and racing it on other customized target environments by zero-shot transfer or by additional fine-tuning. In addition, we compare the performance of model-based and model-free approaches, and observe that model-based approaches dominate in performance and converge faster than model-free approaches in this environment. We observe that transfer learning in most setups not only boosts the performance on the target domain, but also shows high performance ability during learning.
• Abstract（参考訳）: トランスファーラーニング(Transfer Learning)とは、モデル/エージェントが、あるタスクから得た知識/専門知識を利用して、別の密接なタスクを解く技術である。 本研究は, 深層強化学習における伝達学習について考察する。 具体的には、転送学習を用いて、OpenAIのカーレース環境において、エージェントを1つの回路でトレーニングし、ゼロショット転送や追加の微調整によって、他のカスタマイズされたターゲット環境上でのレースをすることで、高速ラップタイムを実現したいと考えています。 さらに、モデルベースアプローチとモデルフリーアプローチのパフォーマンスを比較し、モデルベースアプローチが性能を支配し、この環境におけるモデルフリーアプローチよりも早く収束することを観察する。 我々は,ほとんどの設定において伝達学習が対象領域の性能を高めるだけでなく,学習中に高い性能を示すことを観察した。

関連論文リスト

• Learning to Drive by Imitating Surrounding Vehicles [0.8902959815221526]
  本研究では、周辺車両の観測軌道を利用したデータ拡張戦略を実証実験として検討する。 本稿では,情報的かつ多様な運転行動を優先する簡易な車両選択サンプリングとフィルタリング手法を提案する。 具体的には、このアプローチは衝突率を低減し、ベースラインと比較して安全性の指標を改善する。
  論文  参考訳（メタデータ） (2025-03-08T00:40:47Z)
• Continual Learning for Adaptable Car-Following in Dynamic Traffic Environments [16.587883982785]
  自動運転技術の継続的な進化には、多様なダイナミックな交通環境に適応できる自動車追従モデルが必要である。 従来の学習ベースのモデルは、連続的な学習能力の欠如により、目に見えないトラフィックパターンに遭遇する際のパフォーマンス低下に悩まされることが多い。 本稿では,この制限に対処する連続学習に基づく新しい車追従モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-17T06:32:52Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Hub-Pathway: Transfer Learning from A Hub of Pre-trained Models [89.44031286278347]
  本稿では,モデルハブからの知識伝達を可能にするハブパスウェイフレームワークを提案する。 提案するフレームワークは、目的のタスク固有の損失でエンドツーエンドにトレーニングすることができる。 コンピュータビジョンおよび強化学習タスクの実験結果は、このフレームワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2022-06-08T08:00:12Z)
• Visual-Language Navigation Pretraining via Prompt-based Environmental Self-exploration [83.96729205383501]
  本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。 我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
  論文  参考訳（メタデータ） (2022-03-08T11:01:24Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Learning Rich Nearest Neighbor Representations from Self-supervised Ensembles [60.97922557957857]
  推論時間における勾配降下から直接表現を学習する新しい手法により、自己教師付きモデルアンサンブルを行うためのフレームワークを提供する。 この技術は、ドメイン内のデータセットと転送設定の両方において、k-nearestの隣人によって測定されるように、表現品質を改善する。
  論文  参考訳（メタデータ） (2021-10-19T22:24:57Z)
• 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)
• Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
  本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。 そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。 提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
  論文  参考訳（メタデータ） (2021-05-28T08:45:37Z)
• Real-time End-to-End Federated Learning: An Automotive Case Study [16.79939549201032]
  本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。 その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T14:16:16Z)
• Affordance-based Reinforcement Learning for Urban Driving [3.507764811554557]
  経路点と低次元視覚表現を用いた最適制御ポリシーを学習するための深層強化学習フレームワークを提案する。 スクラッチから訓練されたエージェントは、車線追従のタスクを学習し、区間間を走り回り、密集した交通状況でも他のアクターや信号機の前で立ち止まることを実証する。
  論文  参考訳（メタデータ） (2021-01-15T05:21:25Z)

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。