DeepRacer on Physical Track: Parameters Exploration and Performance Evaluation

要約

このペーパーでは、AWS DeepRacer の物理レーストラック機能に焦点を当てます。
2 つの別々の実験が行われました。
最初の実験 (実験 I) は、物理環境に対するハイパーパラメーターの影響を評価することに焦点を当てました。
勾配降下法のバッチ サイズや損失タイプなどのハイパーパラメータと、トレーニング時間の設定が体系的に変更されました。
2 番目の実験 (実験 II) は、物理環境における AWS DeepRacer のオブジェクト回避の調査に焦点を当てました。
シミュレートされた環境では、勾配降下バッチ サイズが大きいモデルの方が、勾配降下バッチ サイズが小さいモデルよりもパフォーマンスが優れていることが判明しました。
あるいは、物理環境では、勾配降下バッチ サイズ 128 が好ましいと思われます。
Huber の損失タイプを使用するモデルは、シミュレーション環境と物理環境の両方で、MSE の損失タイプを使用するモデルよりも優れたパフォーマンスを発揮することがわかりました。
最後に、シミュレートされた環境での物体回避が効果的であるように見えました。
ただし、これらのモデルを物理環境に持ち込む場合、物体を避けるという顕著な課題がありました。
したがって、物理環境における物体回避は依然として未解決の課題です。

要約(オリジナル)

This paper focuses on the physical racetrack capabilities of AWS DeepRacer. Two separate experiments were conducted. The first experiment (Experiment I) focused on evaluating the impact of hyperparameters on the physical environment. Hyperparameters such as gradient descent batch size and loss type were changed systematically as well as training time settings. The second experiment (Experiment II) focused on exploring AWS DeepRacer object avoidance in the physical environment. It was uncovered that in the simulated environment, models with a higher gradient descent batch size had better performance than models with a lower gradient descent batch size. Alternatively, in the physical environment, a gradient descent batch size of 128 appears to be preferable. It was found that models using the loss type of Huber outperformed models that used the loss type of MSE in both the simulated and physical environments. Finally, object avoidance in the simulated environment appeared to be effective; however, when bringing these models to the physical environment, there was a pronounced challenge to avoid objects. Therefore, object avoidance in the physical environment remains an open challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google