文献

J-GLOBAL ID：201702238728975094   整理番号：17A1357149

深い学習アプローチを用いたエンドツーエンド自律車両制御器を訓練するための特徴解析と選択【Powered by NICT】

Feature analysis and selection for training an end-to-end autonomous vehicle controller using deep learning approach

著者 (5件)： Yang Shun (College of Automotive Engineering, Jilin University, China) ,  Wang Wenshuo (Department of Mechanical Engineering, University of California, Berkeley, USA) ,  Liu Chang (College of Automotive Engineering, Jilin University, China) ,  Deng Weiwen (Department of Mechanical Engineering, University of California, Berkeley, USA) ,  Hedrick J. Karl (Department of Mechanical Engineering, University of California, Berkeley, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IV  ページ： 1033-1038  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深学習ベース手法は近似非線形関数または政策への強力な能力のために,自律車両のためのトレーニングコントローラのための広く用いられている。しかし,訓練プロセスは,通常大きなラベル付きデータセットを必要とし,多くの時間を要する。本論文では,畳込みニューラルネットワーク(CNN)を用いて訓練されたコントローラの性能上の特徴の影響,計算コストを削減するために特徴選択のガイドラインを解析した。大セットを用いてデータの収集オープンレーシングカーシミュレータ(TORCS)と三カテゴリー(天空関連,路側関係し,道路特徴)に画像特徴を分類した。CNN制御器を訓練するための各単一特徴の重要性を調べるために二実験的フレームワークを設計した。第1の枠組は,コントローラ,特徴の影響を評価するために除去1特徴を持つことをデータで試験を訓練するために含まれるすべての三つの特徴を用いた訓練データを使用した。第二次フレームワークは除外1特徴を持つことをデータで訓練されるが,すべての三特徴は試験データに含まれている。二実験フレームワークを用いて訓練されたコントローラをテストし,分析するために選択した異なる運転シナリオ。実験の結果は,(1)道路特徴は,コントローラを訓練するための不可欠である,(2)道路関連特徴である複雑な路側情報シナリオコントローラの一般化可能性を改善するために有用であり,(3)天空関連特徴は,エンドツーエンド自律車両制御装置を訓練するために限定的な寄与をしたことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 画像特性 ,  畳込み ,  *学習 ,  特徴選択 ,  ニューラルネットワーク ,  *エンドツーエンド方式 ,  道路 ,  近似法 ,  制御装置
準シソーラス用語： 訓練データ ,  計算コスト ,  非線形関数 ,  *特徴解析 ,  *車両制御 ,  *自律性 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 学習 ,  エンドツーエンド ,  自律 ,  車両制御 ,  訓練 ,  特徴解析