文献

J-GLOBAL ID：202102284661273278   整理番号：21A0232792

運動計画のための強化学習によるモンテカルロ木探索【JST・京大機械翻訳】

Monte Carlo Tree Search With Reinforcement Learning for Motion Planning

著者 (5件)： Weingertner Philippe (Renault Software Labs,France) ,  Ho Minnie (Stanford University) ,  Timofeev Andrey (Experis Switzerland) ,  Aubert Sebastien (Renault Software Labs,France) ,  Pita-Gil Guillermo (Renault Software Labs,France)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ITSC  ページ： 1-7  発行年： 2020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： 自律車両のための運動計画は,高密度交通の存在における大規模,マルチ車線,および非信号交差点のようなシナリオに対して最も挑戦的である。このような状況において,運動プランナーは,安全,快適,かつ効率的な方法で目的に到達するために,複数の交差点を扱う必要がある。さらに,運動計画課題は,多くのオブジェクトと異なる道路形状を有する複雑なシーンに対する実時間計算とスケーラビリティを含む。本研究では,これらの課題に対処する運動計画システムを提案した。深層学習ヒューリスティックによるモンテカルロツリー探索アルゴリズムの実時間適用を可能にした。正確ではあるが非実時間モデルから高速評価関数を学習した。深層強化学習技術を用いて,予測と意思決定の間の明確な分離を維持する。探索モデルの複雑性を低減し,複数の方法に対して提案エージェントをベンチマークした:ルールベース,MCTS,A*探索,深層学習,およびモデル予測制御。このエージェントは,安全,快適性,および効率メトリックスをベンチマークする様々な挑戦的なシナリオにおいて,これらの他のエージェントより優れていることを示した。Copyright 2021 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： *モンテカルロ法 ,  アルゴリズム ,  意思決定 ,  評価関数 ,  快適性 ,  交差点 ,  道路 ,  *木探索 ,  ベンチマーク ,  エージェント ,  *強化学習 ,  ルールベース
準シソーラス用語： *運動計画 ,  ヒューリスティック ,  深層学習 , 【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 (3件)： 運動計画 ,  強化学習 ,  モンテカルロ木探索