論文の概要: Investigating Behavior Cloning from Few Demonstrations for Autonomous Driving based on Bird's-Eye View in Simulated Cities

• arxiv url: http://arxiv.org/abs/2610.20203v1
• Date: Wed, 14 Oct 2026 13:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.176446
• Title: Investigating Behavior Cloning from Few Demonstrations for Autonomous Driving based on Bird's-Eye View in Simulated Cities
• Title（参考訳）: 模擬都市における鳥の視点に基づく自律運転のためのデモからの行動クローンの検討
• Abstract要約: 本稿では, シミュレーション都市環境における鳥眼ビュー(BEV)の観点から, 自律運転における行動クローン(BC)の利用について検討する。 BCは専門家の運転行動を模倣するために教師付き学習を使用する。 提案手法は, カーネル密度推定器を統合して, 動作密度に基づいてトレーニングサンプル重量を調整することにより, BCを向上させる。
• 参考スコア（独自算出の注目度）: 0.5872014229110213
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper investigates the use of Behavior Cloning (BC) for autonomous driving from a bird's-eye view (BEV) perspective in simulated urban environments. BC uses supervised learning to mimic expert driving behaviors. Previous works have applied BC in the CARLA simulator but did not fully address the challenges of traffic light compliance. Our approach enhances BC by integrating a kernel density estimator to adjust training sample weights based on action density, thereby improving the learning of rare but critical actions such as stopping at red lights and accelerating at green lights, specially in scenarios of scarce number of expert demonstrations. Using BEV inputs, which provide an abstract top-down view of the driving environment, our method simplifies the policy learning process. The trained convolutional neural network (CNN) outputs steering and acceleration actions based on these BEV inputs and additional state variables. Experimental results in the CARLA simulator demonstrate that our weighted BC method significantly improves driving performance, achieving higher route completion compared to standard BC. This weighted approach proved to be crucial in learning correct driving behaviors, particularly in test environments not encountered during training, highlighting its potential for enhancing autonomous vehicle navigation.
• Abstract（参考訳）: 本稿では, シミュレーション都市環境における鳥眼ビュー(BEV)の観点から, 自律運転における行動クローン(BC)の利用について検討する。 BCは専門家の運転行動を模倣するために教師付き学習を使用する。 以前はCARLAシミュレーターにBCCを適用していたが、信号コンプライアンスの課題を完全には解決しなかった。 提案手法は、カーネル密度推定器を統合して、アクション密度に基づいてトレーニングサンプル重量を調整することにより、赤信号の停止や緑信号の加速といった稀だが重要な動作の学習を改善する。 運転環境の抽象的なトップダウンビューを提供するBEV入力を用いて、ポリシー学習プロセスを単純化する。 トレーニングされた畳み込みニューラルネットワーク(CNN)は、これらのBEV入力と追加状態変数に基づいて、ステアリングとアクセラレーションのアクションを出力する。 CARLAシミュレータによる実験結果から,我々の重み付きBC法は運転性能を著しく向上し,標準BCよりも高い経路完了を実現していることがわかった。 この重み付けされたアプローチは、特に訓練中に遭遇しないテスト環境での正確な運転行動を学ぶ上で極めて重要であることが判明し、自動運転車のナビゲーションを強化する可能性を強調した。

関連論文リスト

• Closed-Loop Evaluation of Bird's-Eye-View Maps from Cross-View Transformers as Inputs to Behavior-Cloning Policies [0.0]
  シミュレーションにおける行動クローン (BC) エージェントの直接ポリシー入力として, CVT (Cross-View Transformer) 予測バードアイビュー (BEV) マップを用いることを検討した。 路面,計画経路,車線境界,車両,歩行者,交通信号などをカバーする6チャンネルのBEV表現を提案し,未表現運転操作に対するセグメンテーション損失を再均衡させるカーネル密度推定(KDE)重み付け手法を提案する。
  論文  参考訳（メタデータ） (2026-09-05T00:35:14Z)
• CLEAR: Closed-Loop Reinforcement Learning at Scale for End-to-End Autonomous Driving [66.77752555295355]
  E2E-ADのための大規模強化学習(RL)を用いた閉ループ訓練システムであるCLEARを提案する。 簡単な報奨により、CLEARは従来の手法よりも大幅に優れ、新しい最先端性能を設定できることが示される。
  論文  参考訳（メタデータ） (2026-07-03T00:34:50Z)
• Exploring multimodal implicit behavior learning for vehicle navigation in simulated cities [0.688204255655161]
  Inlicit Behavioral Cloning (IBC) with Energy-Based Models (EBMs) to capture multimodality。 本稿では,データ拡張型IBC(DA-IBC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T20:17:29Z)
• Bootstrapping Reinforcement Learning with Sub-optimal Policies for Autonomous Driving [4.74407831153952]
  本稿では,高度に最適化された,あるいは専門家レベルのコントローラを必要としない実演ポリシーでRL駆動エージェントを誘導することを提案する。 我々は,ルールベースのレーン変更コントローラとソフトアクター批評家(SAC)アルゴリズムを統合し,探索と学習効率を向上させる。 提案手法は運転性能の向上を実証し,他の運転シナリオにも拡張可能である。
  論文  参考訳（メタデータ） (2025-09-04T23:56:26Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Towards Human-Like Driving: Active Inference in Autonomous Vehicle Control [0.5437298646956507]
  本稿では,アクティブ推論の適用を通じて,自律走行車(AV)制御への新たなアプローチを提案する。 アクティブ推論(英: Active Inference)は、脳を予測機械として概念化する神経科学に由来する理論である。 提案手法は,深層学習と能動推論を統合してAVの側方制御を制御し,シミュレーション都市環境下で車線追従操作を行う。
  論文  参考訳（メタデータ） (2024-07-10T14:08:27Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)

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。