論文の概要: TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors
- arxiv url: http://arxiv.org/abs/2101.06557v1
- Date: Sun, 17 Jan 2021 00:29:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 03:43:19.720935
- Title: TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors
- Title（参考訳）: TrafficSim: リアルなマルチエージェント動作をシミュレートする学習
- Authors: Simon Suo, Sebastian Regalado, Sergio Casas, Raquel Urtasun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 74.67698916175614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulation has the potential to massively scale evaluation of self-driving
systems enabling rapid development as well as safe deployment. To close the gap
between simulation and the real world, we need to simulate realistic
multi-agent behaviors. Existing simulation environments rely on heuristic-based
models that directly encode traffic rules, which cannot capture irregular
maneuvers (e.g., nudging, U-turns) and complex interactions (e.g., yielding,
merging). In contrast, we leverage real-world data to learn directly from human
demonstration and thus capture a more diverse set of actor behaviors. To this
end, we propose TrafficSim, a multi-agent behavior model for realistic traffic
simulation. In particular, we leverage an implicit latent variable model to
parameterize a joint actor policy that generates socially-consistent plans for
all actors in the scene jointly. To learn a robust policy amenable for long
horizon simulation, we unroll the policy in training and optimize through the
fully differentiable simulation across time. Our learning objective
incorporates both human demonstrations as well as common sense. We show
TrafficSim generates significantly more realistic and diverse traffic scenarios
as compared to a diverse set of baselines. Notably, we can exploit trajectories
generated by TrafficSim as effective data augmentation for training better
motion planner.
- Abstract（参考訳）: シミュレーションは、迅速な開発と安全な展開を可能にする自動運転システムの大規模評価の可能性を秘めている。
シミュレーションと現実世界のギャップを埋めるためには、現実的なマルチエージェントの振る舞いをシミュレートする必要がある。
既存のシミュレーション環境は、トラフィックルールを直接エンコードするヒューリスティックなモデルに依存しており、不規則な操作(例えば、ヌーディング、uターン)や複雑な相互作用(例えば、降伏、マージ)をキャプチャできない。
対照的に、実世界のデータを活用して、人間のデモから直接学び、より多様なアクターの振る舞いを捉えます。
そこで本研究では,トラヒック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trafficsimを提案する。
特に,暗黙の潜在変数モデルを利用して,シーン内のすべてのアクターに対して,社会的に一貫性のある計画を生成する共同アクターポリシーをパラメータ化する。
ロングホライズンシミュレーションのための強固なポリシーを学習するために、トレーニングにおけるポリシーを展開し、完全に微分可能なシミュレーションを通じて最適化します。
我々の学習目的は、人間の実演と常識の両方を取り入れている。
trafficsimは、さまざまなベースラインと比べて、はるかにリアルで多様なトラフィックシナリオを生成する。
特に、trafficsimによって生成された軌道を、より良いモーションプランナーをトレーニングするための効果的なデータ拡張として活用できる。
関連論文リスト
- Sim-to-Real Transfer of Deep Reinforcement Learning Agents for Online Coverage Path Planning [15.792914346054502]
我々は、カバーパス計画(CPP)のための強化学習エージェント(RL)のSim-to-real転送の課題に取り組む。
シミュレーションされたセンサと障害物を利用しながら、現実のロボットやリアルタイムの側面を含む半仮想環境を通じて、シミュレートと現実のギャップを橋渡しする。
高い推測周波数は、一階マルコフのポリシーをシミュレーションから直接転送することを可能にし、高階のポリシーを微調整することで、sim-to-realのギャップをさらに減らすことができる。
論文 参考訳（メタデータ） (2024-06-07T13:24:19Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - 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) - DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to
Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。
本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文 参考訳（メタデータ） (2022-10-25T01:51:36Z) - BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。
我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。
コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
論文 参考訳（メタデータ） (2022-08-26T02:17:54Z) - Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。
小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。
本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T20:14:02Z) - Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。
私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
論文 参考訳（メタデータ） (2021-03-22T13:42:11Z)
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。