論文の概要: Computer Vision Navigation for an Autonomous Vehicle Model Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.33755v1
• Date: Sat, 24 Oct 2026 15:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.437072
• Title: Computer Vision Navigation for an Autonomous Vehicle Model Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた自律走行車モデルのためのコンピュータビジョンナビゲーション
• Abstract要約: 本研究は、車両模型の速度と操舵角度をシミュレートされた路面内を走行するために制御できる政策を開発する。 アルゴリズムは、シミュレーション環境で訓練され、テストされる。 車両のカメラから画像フレームを受け取り、特徴抽出アルゴリズムを通じてそれらを処理し、ポリシーに投入する。 潜在的な改善は、より複雑なシナリオにおけるシステムの堅牢性を高めるために提案される。
• 参考スコア（独自算出の注目度）: 0.09368753183086048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work aims to assess the capabilities of the reinforcement learning algorithm, Proximal Policy Optimization (PPO), in developing a policy capable of controlling the speed and steering angle of a vehicle model to navigate within simulated road lines. The control system's input is a camera, and its outputs are the rotational speed of the rear wheels and the steering angle of the front wheels, controlling the vehicle's speed and direction, respectively. The algorithm is trained and tested in a simulated environment, where it receives image frames from the vehicle's camera, processes them through a feature extraction algorithm, and feeds them into the policy. For each frame, the policy outputs speed and direction commands for the vehicle. The policy is iteratively updated to enhance its performance. The reinforcement learning algorithm successfully generates a policy capable of navigating the vehicle in a simplified environment. Potential improvements are suggested to enhance the system's robustness in more complex scenarios. Creating a simulation environment suitable for testing an advanced reinforcement learning algorithm is a complex task. This project offers a framework for other developers to test different approaches and algorithms. The tested algorithm, PPO, uses proximity intervals - an innovative approach in reinforcement learning. In some scenarios, the algorithm achieved better performance than predecessor algorithms, which are typically harder to implement and require tuning more hyperparameters.
• Abstract（参考訳）: 本研究の目的は、車両モデルの速度と操舵角を制御し、シミュレーションされた路面内を走行する政策の開発において、強化学習アルゴリズムであるPPO(Proximal Policy Optimization)の能力を評価することである。 制御システムの入力はカメラであり、出力は後輪の回転速度と前輪の操舵角度であり、車両の速度と方向をそれぞれ制御している。 アルゴリズムはシミュレートされた環境で訓練され、車両のカメラから画像フレームを受け取り、特徴抽出アルゴリズムを通じてそれらを処理し、ポリシーに供給する。 各フレームに対して、ポリシーは車両の速度と方向の指令を出力する。 ポリシーは反復的に更新され、パフォーマンスが向上する。 強化学習アルゴリズムは、簡易な環境で車両をナビゲートできるポリシーをうまく生成する。 潜在的な改善は、より複雑なシナリオにおけるシステムの堅牢性を高めるために提案される。 高度な強化学習アルゴリズムをテストするのに適したシミュレーション環境を作成することは複雑な作業である。 このプロジェクトは、他の開発者が異なるアプローチとアルゴリズムをテストするためのフレームワークを提供する。 テストされたアルゴリズムであるPPOは、強化学習における革新的なアプローチである近接間隔を使用する。 いくつかのシナリオでは、アルゴリズムは以前のアルゴリズムよりもパフォーマンスが良く、通常は実装が難しく、より多くのハイパーパラメータをチューニングする必要がある。

関連論文リスト

• Autonomous overtaking trajectory optimization using reinforcement learning and opponent pose estimation [0.0]
  本稿では,マルチエージェント自律走行環境のための強化学習機構を提案する。 このシステムは、LiDARに2D検出アルゴリズムと、YOLOベースの物体検出機能を備えた深度カメラを使って、乗り越えるべき車両を識別する。 提案アルゴリズムは,シミュレーションと実世界の実験の両方において,オーバーテイク操作を成功させる。
  論文  参考訳（メタデータ） (2026-03-28T09:28:04Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
  本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。 設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
  論文  参考訳（メタデータ） (2023-06-20T11:41:01Z)
• 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)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• XAI-N: Sensor-based Robot Navigation using Expert Policies and Decision Trees [55.9643422180256]
  本稿では,ロボットの密集した動的環境における衝突のない軌道を計算するためのセンサベース学習ナビゲーションアルゴリズムを提案する。 我々のアプローチは、sim2realパラダイムを用いて訓練された深層強化学習に基づくエキスパートポリシーを使用する。 シミュレーション環境でのアルゴリズムの利点を強調し、移動中の歩行者の間でClearpath Jackalロボットをナビゲートする。
  論文  参考訳（メタデータ） (2021-04-22T01:33:10Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Efficient Sampling-Based Maximum Entropy Inverse Reinforcement Learning with Application to Autonomous Driving [35.44498286245894]
  本稿では,効率的なサンプリングに基づく最大エントロピー逆強化学習(IRL)アルゴリズムを提案する。 提案アルゴリズムは,非対話的シナリオと対話的シナリオの両方を含む実運転データに基づいて評価する。
  論文  参考訳（メタデータ） (2020-06-22T01:41:13Z)

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。