論文の概要: A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories

• arxiv url: http://arxiv.org/abs/2007.14524v1
• Date: Tue, 28 Jul 2020 23:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 01:54:15.518777
• Title: A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories
• Title（参考訳）: 運転シナリオ軌跡の生成と解析のためのディープラーニングフレームワーク
• Authors: Andreas Demetriou, Henrik Alfsv{\aa}g, Sadegh Rahrovani, Morteza Haghir Chehreghani
• Abstract要約: 本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。 本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
• 参考スコア（独自算出の注目度）: 3.6704226968275258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a unified deep learning framework for generation and analysis of driving scenario trajectories, and validate its effectiveness in a principled way. In order to model and generate scenarios of trajectories with different length, we develop two approaches. First, we adapt the Recurrent Conditional Generative Adversarial Networks (RC-GAN) by conditioning on the length of the trajectories. This provides us flexibility to generate variable-length driving trajectories, a desirable feature for scenario test case generation in the verification of self-driving cars. Second, we develop an architecture based on Recurrent Autoencoder with GANs in order to obviate the variable length issue, wherein we train a GAN to learn/generate the latent representations of original trajectories. In this approach, we train an integrated feed-forward neural network to estimate the length of the trajectories to be able to bring them back from the latent space representation. In addition to trajectory generation, we employ the trained autoencoder as a feature extractor, for the purpose of clustering and anomaly detection, in order to obtain further insights on the collected scenario dataset. We experimentally investigate the performance of the proposed framework on real-world scenario trajectories obtained from in-field data collection.
• Abstract（参考訳）: 本稿では,運転シナリオの軌跡生成と分析のための統合ディープラーニングフレームワークを提案し,その効果を原理的に検証する。 異なる長さの軌道のシナリオをモデル化し生成するために、2つのアプローチを考案する。 まず、軌道長の条件付けにより、Recurrent Conditional Generative Adversarial Networks (RC-GAN) を適用する。 これにより、自動運転車の検証においてシナリオテストケース生成の望ましい特徴である可変長走行軌跡を生成する柔軟性が得られます。 第2に,変数長問題を回避するため,GANを用いたリカレントオートエンコーダに基づくアーキテクチャを開発し,GANをトレーニングして,元のトラジェクトリの潜在表現を学習・生成する。 このアプローチでは,フィードフォワードニューラルネットワークを統合して,潜在空間表現からそれらを取り戻せる軌道の長さを推定する。 軌道生成に加えて,クラスタリングと異常検出のために,訓練されたオートエンコーダを特徴抽出器として活用し,収集したシナリオデータセットについてさらなる知見を得る。 フィールド内データ収集から得られた実世界シナリオトラジェクタにおける提案フレームワークの性能を実験的に検討した。

関連論文リスト

• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics [30.9735101687326]
  Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。 既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。 本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-17T13:14:47Z)
• TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
  既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。 そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。 また,データ駆動型シミュレータI-Simを開発した。
  論文  参考訳（メタデータ） (2022-03-31T04:48:29Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• Domain Generalization for Vision-based Driving Trajectory Generation [9.490923738117772]
  都市環境における自律走行車のための視覚に基づく走行軌道生成のための領域一般化手法を提案する。 逆学習手法を用いて、軌道生成器をデコーダとして訓練する。 本稿では,提案手法と最新トラジェクトリ生成法,および最近の領域一般化法との比較を行った。
  論文  参考訳（メタデータ） (2021-09-22T07:49:07Z)
• Multi-modal Scene-compliant User Intention Estimation for Navigation [1.9117798322548485]
  本研究では,移動体操作時のユーザ意図分布生成フレームワークを提案する。 モデルは過去の観測された軌跡から学習し、視覚環境から派生した可視性情報を活用する。 実験は、オープンソースの都市運転シミュレータCARLA上に構築されたカスタム車椅子モデルを用いて収集されたデータセット上で行われた。
  論文  参考訳（メタデータ） (2021-06-13T05:11:33Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• A Generic Framework for Clustering Vehicle Motion Trajectories [4.125187280299247]
  5段階からなる効果的な非パラメトリック軌道クラスタリングフレームワークを提案する。 本稿では,注釈付き軌跡からなる実世界の挑戦的データセットについて,提案手法を検討・評価する。 我々は、GAN(Generative Adversarial Network)によって生成された合成データを用いて、実データセットの拡張を検証するためのフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-09-25T21:46:37Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。