論文の概要: Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction

• arxiv url: http://arxiv.org/abs/2008.06020v1
• Date: Thu, 13 Aug 2020 17:20:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 23:06:34.322602
• Title: Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction
• Title（参考訳）: 知覚と予測をシミュレートした自動運転車の安全性検証
• Authors: Kelvin Wong, Qiang Zhang, Ming Liang, Bin Yang, Renjie Liao, Abbas Sadat, Raquel Urtasun
• Abstract要約: センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
• 参考スコア（独自算出の注目度）: 88.0416857308144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel method for testing the safety of self-driving vehicles in simulation. We propose an alternative to sensor simulation, as sensor simulation is expensive and has large domain gaps. Instead, we directly simulate the outputs of the self-driving vehicle's perception and prediction system, enabling realistic motion planning testing. Specifically, we use paired data in the form of ground truth labels and real perception and prediction outputs to train a model that predicts what the online system will produce. Importantly, the inputs to our system consists of high definition maps, bounding boxes, and trajectories, which can be easily sketched by a test engineer in a matter of minutes. This makes our approach a much more scalable solution. Quantitative results on two large-scale datasets demonstrate that we can realistically test motion planning using our simulations.
• Abstract（参考訳）: シミュレーションにおいて,自動運転車の安全性をテストする新しい手法を提案する。 センサシミュレーションはコストが高く,領域ギャップが大きいため,センサシミュレーションの代替案を提案する。 代わりに、私たちは自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にします。 具体的には、真理ラベルと実際の知覚と予測アウトプットという形でペアデータを使用して、オンラインシステムが何を生み出すかを予測するモデルをトレーニングします。 重要なことに、システムへの入力は、高定義マップ、境界ボックス、軌道で構成されており、数分でテストエンジニアが簡単にスケッチできます。 これにより、アプローチはよりスケーラブルなソリューションになります。 2つの大規模データセットの定量的な結果から,シミュレーションを用いて実演的に動作計画を検証できることが証明された。

関連論文リスト

• CADSim: Robust and Scalable in-the-wild 3D Reconstruction for Controllable Sensor Simulation [44.83732884335725]
  センサシミュレーションでは、車などの交通参加者を高品質な外観と明瞭な幾何学でモデル化する。 現在の再構築アプローチは、その広さとノイズのために、Wildのセンサーデータに苦労している。 本稿では,車体形状を自動再構成するために,CADモデルの小さなセットと微分レンダリングを併用したCADSimを提案する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:59Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• An Intelligent Self-driving Truck System For Highway Transportation [81.12838700312308]
  本稿では,インテリジェントな自動運転トラックシステムについて紹介する。 提案システムは,1)テストシナリオにおける現実的なトラフィックフローを生成する現実的なトラフィックシミュレーションモジュール,2)実環境における実際のトラックの応答を模倣するために設計,評価された高忠実度トラックモデル,の3つの主要コンポーネントから構成される。 また,提案するシステムを実車に展開し,実車間ギャップを緩和するシステムの能力を示す実物実験を行う。
  論文  参考訳（メタデータ） (2021-12-31T04:54:13Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• 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 machine learning environment for evaluating autonomous driving software [1.6516902135723865]
  自動運転車のコーナーケース動作を検出するための機械学習環境を提案する。 我々の環境は、CARLAシミュレーションソフトウェアを機械学習フレームワークとカスタムAIクライアントソフトウェアに接続することに基づいている。 我々のシステムは、車両AIが状況を正確に理解できないコーナーケースを探索することができる。
  論文  参考訳（メタデータ） (2020-03-07T13:05:03Z)

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。