A reinforcement learning based autonomous vehicle control in diverse daytime and weather scenarios
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Autonomous driving holds significant promise for substantially reducing road fatalities. Unlike traditional machine learning methods that have conventionally been applied to enhance the motion control of Autonomous Vehicles (AVs), recent attention has shifted toward the utilization of Deep Learning (DL) and Deep Reinforcement Learning (DRL) techniques. These advanced approaches have the potential to greatly improve AV vehicle control and empower vehicles to learn from their surroundings. However, the majority of existing research has concentrated on straightforward scenarios, often neglecting the intricate challenges posed by vulnerable road users such as pedestrians, cyclists, and motorcyclists, as well as the influence of varying weather conditions. In this study, we propose a novel model founded on DRL, specifically leveraging Deep-Q Networks (DQN), to effectively manage AVs in complex scenarios characterized by heavy traffic, diverse road users, and diverse weather conditions. Our approach involves training the model in diverse weather conditions, encompassing clear daytime and nighttime as well as challenging weather conditions like heavy rainfall during both the day and sunset. Through this comprehensive training, the AV becomes proficient in navigating safely through intersections and reaching its destination without any accidents. To rigorously evaluate and validate our proposed approach, extensive testing was conducted employing the CARLA simulator. The simulation results unequivocally demonstrate that our model not only reduces travel delays but also minimizes the occurrence of collisions, marking a significant step forward in achieving safer and more efficient autonomous driving.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle