論文の概要: SceneGen: Learning to Generate Realistic Traffic Scenes
- arxiv url: http://arxiv.org/abs/2101.06541v1
- Date: Sat, 16 Jan 2021 22:51:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 04:49:29.804593
- Title: SceneGen: Learning to Generate Realistic Traffic Scenes
- Title(参考訳): SceneGen: リアルなトラフィックシーンを生成するための学習
- Authors: Shuhan Tan, Kelvin Wong, Shenlong Wang, Sivabalan Manivasagam, Mengye
Ren, Raquel Urtasun
- Abstract要約: 私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。
実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
- 参考スコア(独自算出の注目度): 92.98412203941912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of generating realistic traffic scenes automatically.
Existing methods typically insert actors into the scene according to a set of
hand-crafted heuristics and are limited in their ability to model the true
complexity and diversity of real traffic scenes, thus inducing a content gap
between synthesized traffic scenes versus real ones. As a result, existing
simulators lack the fidelity necessary to train and test self-driving vehicles.
To address this limitation, we present SceneGen, a neural autoregressive model
of traffic scenes that eschews the need for rules and heuristics. In
particular, given the ego-vehicle state and a high definition map of
surrounding area, SceneGen inserts actors of various classes into the scene and
synthesizes their sizes, orientations, and velocities. We demonstrate on two
large-scale datasets SceneGen's ability to faithfully model distributions of
real traffic scenes. Moreover, we show that SceneGen coupled with sensor
simulation can be used to train perception models that generalize to the real
world.
- Abstract(参考訳): 現実的な交通シーンを自動生成する問題を考察する。
既存の手法は通常、手作りのヒューリスティックのセットに従ってアクターをシーンに挿入し、実際のトラフィックシーンの真の複雑さと多様性をモデル化する能力に制限されているため、合成されたトラフィックシーンと実際のトラフィックシーンの間のコンテンツギャップが生じる。
その結果、既存のシミュレーターは、自動運転車の訓練とテストに必要な信頼性を欠いている。
この制限に対処するために、ルールやヒューリスティックスの必要性を緩和する、トラフィックシーンの神経的自己回帰モデルであるSceneGenを紹介します。
特に、エゴ・ベヒクル状態と周辺地域の高定義マップを考えると、シーンゲンは様々なクラスの俳優をシーンに挿入し、その大きさ、向き、速度を合成する。
実トラフィックシーンの分布を忠実にモデル化するSceneGenの大規模データセットを2つ紹介する。
さらに,SceneGenとセンサシミュレーションを組み合わせることで,現実世界に一般化する知覚モデルを訓練することができることを示す。
関連論文リスト
- AutoSplat: Constrained Gaussian Splatting for Autonomous Driving Scene Reconstruction [17.600027937450342]
AutoSplatは、自動走行シーンの高度に現実的な再構築を実現するために、ガウシアンスプラッティングを使用したフレームワークである。
本手法は,車線変更を含む課題シナリオの多視点一貫したシミュレーションを可能にする。
論文 参考訳(メタデータ) (2024-07-02T18:36:50Z) - DragTraffic: Interactive and Controllable Traffic Scene Generation for Autonomous Driving [10.90477019946728]
DragTrafficは、条件付き拡散に基づく、汎用的でインタラクティブで制御可能なトラフィックシーン生成フレームワークである。
我々は回帰モデルを用いて、一般的な初期解と条件拡散モデルに基づく改良プロセスを提供し、多様性を保証する。
実世界の運転データセットの実験によると、DragTrafficは信頼性、多様性、自由度で既存の手法より優れている。
論文 参考訳(メタデータ) (2024-04-19T04:49:28Z) - Language Conditioned Traffic Generation [37.71751991840586]
LCTGenは、トランスフォーマーベースのデコーダアーキテクチャを備えた、大規模な言語モデルである。
初期トラフィック分布と各車両のダイナミックスを生成する。
LCTGenは、非条件と条件付きの両方のトラフィックシーン生成において、リアリズムと忠実さの点で、事前の作業よりも優れています。
論文 参考訳(メタデータ) (2023-07-16T05:10:32Z) - Unsupervised Traffic Scene Generation with Synthetic 3D Scene Graphs [83.9783063609389]
本稿では,ドメイン不変シーン表現に基づくトラフィックシーンの画像をレンダリングせずに直接合成する手法を提案する。
具体的には、内部表現として合成シーングラフに依存し、現実的な交通シーン合成のための教師なしニューラルネットワークアーキテクチャを導入する。
論文 参考訳(メタデータ) (2023-03-15T09:26:29Z) - 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) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳(メタデータ) (2023-01-11T18:39:34Z) - READ: Large-Scale Neural Scene Rendering for Autonomous Driving [21.144110676687667]
自律走行シーンを合成するために,大規模ニューラルレンダリング手法を提案する。
我々のモデルは現実的な運転シーンを合成できるだけでなく、運転シーンの縫い付けや編集もできる。
論文 参考訳(メタデータ) (2022-05-11T14:02:14Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z)
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。