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。
一般的なモジュール化フレームワークとは異なり,エンドツーエンド自律運転は,統合方法で知覚,決定および制御問題を解決し,それは,新しいシナリオにもっと適応し,そして,スケールで一般化するのが容易である。しかし,既存のエンドツーエンドアプローチはしばしば解釈可能性の欠如であり,車線保持のような単純な運転タスクを扱うことができる。本論文では,複雑な都市シナリオを扱うことができるエンドツーエンド自律運転のための解釈可能な深層強化学習法を提案した。逐次潜在環境モデルを導入し,強化学習プロセスと共同で学習した。この潜在モデルでは,学習された政策の行動を説明する目的で,今日のモジュール化フレームワークにおける特定の中間特性に接続するために,意味的鳥眼マスクを生成できる。また,潜在空間は,強化学習のサンプル複雑性を著しく減らした。CARLAにおける模擬自律自動車との比較試験は,混雑した周辺車両を有する都市シナリオにおける著者らの方法の性能がDQN,DDPG,TD3およびSACを含む多くのベースラインを支配することを示した。さらに,マスクされた出力を通して,学習された政策は,運転環境に関する自動車理由のより良い説明を提供できる。本研究のコードとビデオは,著者らのgiubとプロジェクトウェブサイトで利用可能である。【JST・京大機械翻訳】