文献

J-GLOBAL ID：201802269302699332   整理番号：18A1772702

並列自律システムのためのステアリング限界の学習【JST・京大機械翻訳】

Learning Steering Bounds for Parallel Autonomous Systems

著者 (5件)： Amini Alexander (Massachusetts Institute of Technology, Computer Science and Artificial Intelligence Lab) ,  Paull Liam (Massachusetts Institute of Technology, Computer Science and Artificial Intelligence Lab) ,  Balch Thomas (Massachusetts Institute of Technology, Computer Science and Artificial Intelligence Lab) ,  Karaman Sertac (Massachusetts Institute of Technology, Laboratory for Information and Decision Systems) ,  Rus Daniela (Massachusetts Institute of Technology, Computer Science and Artificial Intelligence Lab)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICRA  ページ： 1-8  発行年： 2018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： 深い学習は,深いニューラルネットワークがカメラデータ入力からステアリング制御コマンドを予測するために学習する自律運転タスクの「エンドツーエンド」学習に成功裏に適用されているが,学習表現は自律ナビゲーションに必要な高レベル意思決定を支援せず,車両制御が人間とロボットの間で共有される。本論文では,連続制御確率分布を予測するための表現を学習する問題に取り組み,自律ナビゲーションに用いることができるこれらのオプションに対する制御オプションと限界を示し,このシステムが瞬間的に実行できる可能性のあるマクロ動作を符号化し,モードの共分散が安全なステアリング制御値に制限を与えることを示した。この手法は安価なカメラから収集されたラベル付けされていないデータに対して訓練される利点がある。深いニューラルネットワークに基づくアルゴリズムは,ステアリング角度の空間上で確率分布を生成し,それから,混合モデルを抽出し,環境における異なる可能な行動を計算する。これらの行動の各々に対して,自律車両を並列自律設定において考慮しなければならない。広範な駆動条件を含む挑戦的なデータセットに対するこのアプローチを評価し,このアルゴリズムが可能な動作に対するGauss混合モデルをパラメータ化でき,平均誤差2度でステアリング限界を抽出できることを示した。さらに,種々の異なる並列自律状態を成功させる能力を評価した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  カメラ ,  安全性 ,  意思決定 ,  *学習 ,  ロボット ,  ニューラルネットワーク ,  確率分布 ,  共分散 ,  *自律系 ,  エンドツーエンド方式 ,  パラメタリゼーション
準シソーラス用語： *自律性 ,  Gauss混合モデル ,  混合モデル , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 自律システム ,  ステアリング ,  限界 ,  学習