論文の概要: Evolutionary Hyperparameter Optimization to Find Lightweight CNN Models for Autonomous Steering

• arxiv url: http://arxiv.org/abs/2606.29684v1
• Date: Mon, 29 Jun 2026 01:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.005341
• Title: Evolutionary Hyperparameter Optimization to Find Lightweight CNN Models for Autonomous Steering
• Title（参考訳）: 自律ステアリングのための軽量CNNモデル探索のための進化的ハイパーパラメータ最適化
• Abstract要約: 本研究では,自律型ステアリングのための畳み込みニューラルネットワーク(CNN, DNN)の最適化について検討する。 主な目的は、リアルタイムの操舵角度予測が可能な軽量CNNモデルを開発することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research investigates the optimization of Convolutional and Dense Neural Networks (CNNs and DNNs) for autonomous steering using the (N+M) Evolution Strategy (ES) with the 1/5th success rule. The primary objective is to develop a lightweight CNN based model capable of real-time steering angle prediction, mimicking human driving behavior on predefined paths. The ES algorithm automates hyperparameter tuning, dynamically adjusting parameters such as filter sizes and layer configurations. Data collection encompasses driving scenarios recorded via the LTU ACTor autonomous driving platform, including variations in path direction and driving style. The very small dataset consists of timestamped images labeled with steering angles and pre-processed to focus on relevant visual information. Initial experiments involve training a baseline CNN model, which is then refined using ES to significantly reduce the size of the model while maintaining competitive predictive accuracy. The results highlight the viability of lightweight neural network architectures for real-time autonomous systems, striking a balance between computational efficiency and performance. This study not only advances research initiatives on the use of evolutionary algorithms for autonomous driving applications but also lays the foundation for the deployment of cost-effective and scalable solutions in self-driving technology.
• Abstract（参考訳）: 本研究では,(N+M)進化戦略(ES)と第1/5の成功規則を用いた自律的ステアリングのための畳み込みニューラルネットワーク(CNN,DNN)の最適化について検討する。 主な目的は、事前に定義された経路上での人間の運転動作を模倣し、リアルタイムの操舵角度予測が可能な軽量CNNベースのモデルを開発することである。 ESアルゴリズムはハイパーパラメータチューニングを自動化し、フィルタサイズや層構成などのパラメータを動的に調整する。 データ収集には、ルート方向や運転スタイルのバリエーションを含む、LTU ACTor自動運転プラットフォームを通じて記録された運転シナリオが含まれている。 非常に小さなデータセットは、ステアリング角でラベル付けされたタイムスタンプ付きイメージで構成され、関連する視覚情報にフォーカスするために前処理される。 最初の実験では、ベースラインCNNモデルをトレーニングし、ESを用いて洗練し、競争力のある予測精度を維持しながらモデルのサイズを大幅に削減する。 結果は、リアルタイム自律システムのための軽量ニューラルネットワークアーキテクチャの実現可能性を強調し、計算効率と性能のバランスを崩した。 この研究は、自動運転アプリケーションにおける進化的アルゴリズムの利用に関する研究イニシアチブを前進させるだけでなく、低コストでスケーラブルなソリューションを自動運転技術に展開するための基盤も築き上げている。

関連論文リスト

• Mini Autonomous Car Driving based on 3D Convolutional Neural Networks [0.6349729476511409]
  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。
  論文  参考訳（メタデータ） (2025-08-29T00:21:34Z)
• Inverse RL Scene Dynamics Learning for Nonlinear Predictive Control in Autonomous Vehicles [0.0]
  本稿では,自律ナビゲーションのための深層学習に基づくScene Dynamics(DL-NMPC-SD)手法を提案する。 DL-NMPC-SDは、時間範囲センシング情報から学習したシーンダイナミクスモデルと組み合わせて、アプリオリ名車モデルを使用する。
  論文  参考訳（メタデータ） (2025-04-02T03:46:37Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Optical Flow Matters: an Empirical Comparative Study on Fusing Monocular Extracted Modalities for Better Steering [37.46760714516923]
  本研究は、単眼カメラからのマルチモーダル情報を利用して、自動運転車のステアリング予測を改善する新しいエンドツーエンド手法を提案する。 本稿では,RGB画像と深度補完情報や光フローデータとの融合に着目し,これらのモダリティを早期・ハイブリッド融合技術によって統合する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-18T09:36:24Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• 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)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)

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。