抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
交通における自動車の制御は,古典的アルゴリズムを扱うのが難しい複雑なタスクである。コンピュータビジョン技術の急速な発展により,深い人工ニューラルネットワークが,自動車上の正面カメラの使用で,このタスクに利用されてきた。しかし,これらの技法による研究プロジェクトは,認識タスクを超え,運転環境で試験した。畳み込みニューラルネットワークと組み合わせた再帰ニューラルネットワークの使用は,時間的特徴を捉えることができるので,ビデオと画像ストリームの解析において良好な結果を達成した。直接知覚に基づく自律駆動システムにおける畳み込みネットワークと組み合わせたリカレント層の使用でより良い性能を達成し,それは2つのステップによって構成される:自動車正面カメラからの画像上の指標の認識とシミュレータ上で車を動かすためにこれらの指標を直接使用する自動車の制御。元の研究と比較して,残差接続によるより深い畳み込みアーキテクチャの使用と,このネットワークにリカレント層を加えるとき48%の,36%のインジケータ知覚タスクにおける平均絶対誤差のパーセント減少を達成した。シミュレータの自律運転試験において,最良のシステムは,これらの2つのネットワークのハイブリッドによって構成され,その指標の一部に対してのみ再帰層を使用することを見出した。このプロジェクトで開発したシステム,PyDeepDrivingは,Princeton Vision and Robotics Group,DeepDrivingからオリジナルシステムの拡張である。直接知覚に基づく自律駆動システムの研究を容易にするために,オープンソースを公開した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】