論文の概要: A Low-Cost, Open Platform for End-to-End Autonomous Driving on a Miniature Ackermann Vehicle
- arxiv url: http://arxiv.org/abs/2609.04147v1
- Date: Thu, 03 Sep 2026 17:40:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.188492
- Title: A Low-Cost, Open Platform for End-to-End Autonomous Driving on a Miniature Ackermann Vehicle
- Title（参考訳）: 小型アッカーマン車におけるエンド・ツー・エンド自動運転のための低コストオープンプラットフォーム
- Authors: Gustavo Claudio Karl Couto, Eric Aislan Antonelo, Gabriel George Zipperer,
- Abstract要約: 本稿では,小型アッカーマン車を用いたエンドツーエンド自動運転の研究のための,低コストでオープンな実験プラットフォームを提案する。
このプラットフォームには、物理的車両、プリントされた都市トラック、データ収集ツール、軌道登録、Webotsデジタルツインが組み込まれている。
- 参考スコア（独自算出の注目度）: 0.688204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a low-cost, open experimental platform for research in end-to-end autonomous driving with miniature Ackermann vehicles. The platform combines a physical vehicle, a printed urban track, data collection tools, trajectory registration, and a Webots digital twin, enabling controlled experiments that connect simulation-based autonomous-driving methods to real-world execution. As a first baseline, we implement command-conditioned behavior cloning, in which a neural policy receives an on-board camera image and a high-level navigation command and outputs steering and speed. The system is evaluated both on the physical vehicle and in simulation. In real closed-loop experiments, the learned policy follows lanes and executes commanded turns, reaching a mean cross-track error of 6.1 cm with respect to the reference route, close to the 4.7 cm observed in human demonstrations. In the digital twin, camera field of view has a strong effect on performance, reducing the mean cross-track error from 35.6 to 3.3 cm when widened from 58 to 120 degrees. Using the digital twin to generate synthetic driving data and a learned sim-to-real image translator to reduce the appearance gap, we further show that a higher-capacity policy trained on this synthetic data combined with real demonstrations is the only configuration that completes all four track routes in closed loop, whereas the compact baseline and the same network trained on real data alone complete fewer. These results establish the open platform as a practical testbed for sim-to-real studies and provide an initial command-conditioned imitation-learning baseline; we release it to support reproducible research.
- Abstract（参考訳）: 本稿では,小型アッカーマン車を用いたエンドツーエンド自動運転の研究のための,低コストでオープンな実験プラットフォームを提案する。
このプラットフォームは、物理車、プリントされた都市トラック、データ収集ツール、軌道登録、およびWebotsデジタルツインを組み合わせて、シミュレーションベースの自動運転手法と実世界の実行を結びつける制御実験を可能にする。
第1のベースラインとして,ニューラルポリシーがオンボードカメライメージと高レベルナビゲーションコマンドを受信し,ステアリングと速度を出力する,コマンド条件の動作クローニングを実装した。
システムは物理車とシミュレーションの両方で評価される。
実際のクローズドループ実験では、学習されたポリシーはレーンに従い、指示されたターンを実行し、人間のデモで観察された4.7cmに近い基準経路に対して平均6.1cmのクロストラック誤差に達する。
デジタルツインでは、カメラの視野が性能に強く影響し、58度から120度に広がると、平均クロストラック誤差が35.6cmから3.3cmに減少する。
さらに、デジタルツインを用いて、合成駆動データと学習したsim-to-real画像トランスレータを用いて外観ギャップを低減し、実演と組み合わせて、この合成データに基づいて訓練された高容量化政策が、閉ループ内の4つの経路全てを完結させる唯一の構成であり、一方、コンパクトなベースラインと実データだけで訓練された同一ネットワークは、完全に少ないことを示す。
これらの結果は,シミュレート・トゥ・リアルな研究のための実践的なテストベッドとしてオープンプラットフォームを確立し,初期のコマンド条件の模倣学習ベースラインを提供し,再現可能な研究を支援するためにリリースする。
関連論文リスト
- VTD: Visual and Tactile Database for Driver State and Behavior Perception [1.6277623188953556]
本稿では,運転状態とインタラクション行動の主観的不確実性に対処する新しい視覚触覚認識手法を提案する。
疲労および散逸条件下でのマルチモーダルデータを包含する包括的データセットを開発した。
論文 参考訳（メタデータ） (2024-12-06T09:31:40Z) - CARLA2Real: a tool for reducing the sim2real appearance gap in CARLA simulator [2.478819644330144]
我々は、シミュレーションデータのフォトリアリズムを高めるために最先端のアプローチを採用し、それらを実世界のデータセットの視覚的特徴と整合させる。
そこで我々はCARLA2Realを開発した。CARLA2Realは、広く使われているオープンソースのCARLAシミュレーターである。
このツールは、CARLAをほぼリアルタイムで出力し、13FPSのフレームレートを実現し、実世界のデータセットの視覚的スタイルとリアリズムに変換する。
論文 参考訳（メタデータ） (2024-10-23T19:33:30Z) - Learning autonomous driving from aerial imagery [67.06858775696453]
フォトグラムシミュレーターは、生成済みの資産を新しいビューに変換することによって、新しいビューを合成することができる。
我々は、ニューラルネットワーク場(NeRF)を中間表現として使用し、地上車両の視点から新しいビューを合成する。
論文 参考訳（メタデータ） (2024-10-18T05:09:07Z) - Behavioral Cloning Models Reality Check for Autonomous Driving [5.021331908103135]
本稿では, 横方向制御にBC(Behavior Cloning)を用いた現状認識システムの現実的検証について述べる。
データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。
実験により, リアルタイムに低誤差の操舵角度を推定できることが確認された。
論文 参考訳（メタデータ） (2024-09-11T12:19:38Z) - Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving
Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。
これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。
これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文 参考訳（メタデータ） (2022-10-25T17:50:36Z) - 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) - 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) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - Sim-to-real reinforcement learning applied to end-to-end vehicle control [0.0]
本研究では車線追従や衝突回避といった車両制御問題のエンドツーエンド強化学習について検討する。
我々の制御ポリシーでは、実際の2車線の道路の右車線を追従するために小型ロボットを制御できますが、その訓練はシミュレーションでのみ行われました。
論文 参考訳（メタデータ） (2020-12-14T12:30:47Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - Simulation-based reinforcement learning for real-world autonomous driving [9.773015744446067]
実物大の車両を制御する駆動システムを実現するために,シミュレーションにおいて強化学習を用いる。
駆動ポリシは、単一のカメラからのRGBイメージと、それらのセマンティックセグメンテーションを入力として取り込む。
主に合成データを使用し、ラベル付き実世界のデータはセグメンテーションネットワークのトレーニングにのみ現れる。
論文 参考訳（メタデータ） (2019-11-29T00:08:58Z)
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。