SHAIL:都市環境における自律運転のための安全性を意識した階層的敵対的模倣学習【JST・京大機械翻訳】

Jamgochian Arec; Buehrle Etienne; Fischer Johannes; Kochenderfer Mykel J.

プレプリント

J-GLOBAL ID：202202213189421980 整理番号：22P0325419

SHAIL:都市環境における自律運転のための安全性を意識した階層的敵対的模倣学習【JST・京大機械翻訳】

SHAIL: Safety-Aware Hierarchical Adversarial Imitation Learning for Autonomous Driving in Urban Environments

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2023年06月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

自律車両のための安全で人間のような意思決定システムの設計は,挑戦的なタスクである。創造的模倣学習は,実世界と模擬決定の両方を活用することによって,政策構築を自動化するための一つの可能なアプローチである。自律運転政策への生成模倣学習を適用する以前の研究は,簡単な設定のための低レベル制御器の学習に焦点を合わせている。しかしながら,複雑な設定にスケールするために,多くの自律駆動システムは,適切なタスクと関連コントローラを選択する高レベル意思決定論理と固定,安全,最適化ベースの低レベルコントローラを結合する。本論文では,低水準の運転データをポリシーに模倣する方法で,低レベル制御器インスタンスの集合から選択する高レベルポリシーを学習する方法である,安全-ハードウェア階層広告学習(SHAIL)を採用することによって,このギャップを複雑性に橋渡しすることを試みた。相互作用データセットからの実データを用いて,非ego車両を制御する都市ラウンドアバウトシミュレータを導入した。次に,単純な制御器オプションでも,この手法は,複雑な環境に対してスケーリングが困難な運転者模倣における以前のアプローチよりも,より良い挙動を生成できることを経験的に実証した。著者らの実装はhttps://github.com/sisl/InteractionImitationで利用可能である。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , ロボットの運動・制御

, , , , ,

前のページに戻る