Simulation-based reinforcement learning for real-world autonomous driving

要約

我々は、実車両を制御する運転システムを得るために、シミュレーションで強化学習を用いる。運転方針は、1台のカメラからのRGB画像とその意味的セグメンテーションを入力とする。ラベル付けされた実世界のデータは、セグメンテーションネットワークの学習においてのみ登場する。 シミュレーションと合成データで強化学習を用いるのは、コストとエンジニアリングの労力を削減するためである。 実世界の実験では、シミュレーションから実世界への政策転送が成功したことを確認した。広範な評価に基づき、知覚、制御、訓練に関する設計上の決定が実世界の性能にどのような影響を与えるかを分析する。

要約(オリジナル)

We use reinforcement learning in simulation to obtain a driving system controlling a full-size real-world vehicle. The driving policy takes RGB images from a single camera and their semantic segmentation as input. We use mostly synthetic data, with labelled real-world data appearing only in the training of the segmentation network. Using reinforcement learning in simulation and synthetic data is motivated by lowering costs and engineering effort. In real-world experiments we confirm that we achieved successful sim-to-real policy transfer. Based on the extensive evaluation, we analyze how design decisions about perception, control, and training impact the real-world performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL