Fugu-MT 論文翻訳(概要): Diverse Critical Interaction Generation for Planning and Planner Evaluation

論文の概要: Diverse Critical Interaction Generation for Planning and Planner Evaluation

arxiv url: http://arxiv.org/abs/2103.00906v1
Date: Mon, 1 Mar 2021 10:52:36 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 15:53:51.476764
Title: Diverse Critical Interaction Generation for Planning and Planner Evaluation
Title（参考訳）: 計画とプランナー評価のための異種臨界相互作用生成
Authors: Zhao-Heng Yin, Lingfeng Sun, Liting Sun, Masayoshi Tomizuka, Wei Zhan
Abstract要約: 車両を所望のスタイルで個別に制御することで、多様なインタラクションを生み出すスタイルジェネレーティブモデルRouteGANを提案します。スタイル係数を変更することで、モデルはオンラインプランナーとして異なる安全レベルの軌道を生成することができます。
参考スコア（独自算出の注目度）: 19.08679318138525
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating diverse and comprehensive interacting agents to evaluate the decision-making modules of autonomous vehicles~(AV) is essential for safe and robust planning. Due to efficiency and safety concerns, most researchers choose to train adversary agents in simulators and generate test cases to interact with evaluated AVs. However, most existing methods fail to provide both natural and critical interaction behaviors in various traffic scenarios. To tackle this problem, we propose a styled generative model RouteGAN that generates diverse interactions by controlling the vehicles separately with desired styles. By altering its style coefficients, the model can generate trajectories with different safety levels serve as an online planner. Experiments show that our model can generate diverse interactions in various scenarios. We evaluate different planners with our model by testing their collision rate in interaction with RouteGAN planners of multiple critical levels.
Abstract（参考訳）: 自律走行車の意思決定モジュール(av)を評価するための多様で包括的な相互作用エージェントの生成は、安全で堅牢な計画に不可欠である。効率と安全性の懸念から、ほとんどの研究者はシミュレータで敵エージェントを訓練し、評価されたavと相互作用するテストケースを生成する。しかし、既存のほとんどの手法は、様々な交通シナリオにおける自然な相互作用とクリティカルな相互作用の両方を提供していない。そこで本研究では,車両を所望のスタイルで別々に制御することで,多様なインタラクションを生成するスタイルジェネレーティブモデルRouteGANを提案する。スタイル係数を変更することで、モデルはオンラインプランナーとして異なる安全レベルの軌道を生成することができます。実験は、私たちのモデルがさまざまなシナリオで多様な相互作用を生成できることを示しています。複数のクリティカルレベルのRouteGANプランナーと相互作用して衝突速度をテストすることで、モデルと異なるプランナーを評価します。

関連論文リスト

AdvDiffuser: Generating Adversarial Safety-Critical Driving Scenarios via Guided Diffusion [6.909801263560482]
AdvDiffuserは、ガイド付き拡散を通じて安全クリティカルな運転シナリオを生成するための敵対的なフレームワークである。本稿では,AdvDiffuserが最小限のウォームアップエピソードデータを持つ様々なテストシステムに適用可能であることを示す。
論文参考訳（メタデータ） (2024-10-11T02:03:21Z)
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)
Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-11-27T18:57:42Z)
Diverse Probabilistic Trajectory Forecasting with Admissibility Constraints [19.977040198878978]
本稿では,多様な軌跡の構造化予測手法を提案する。これら2つの新しいコンポーネントをゲーティング操作と組み合わせて、予測が多様かつ乾燥可能な領域内にあることを保証します。我々は、nuScenes駆動データセットについて、複合アプローチの妥当性を実証する。
論文参考訳（メタデータ） (2023-02-07T13:36:27Z)
Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
論文参考訳（メタデータ） (2022-04-05T17:58:18Z)
LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
論文参考訳（メタデータ） (2021-01-16T23:19:22Z)
Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文参考訳（メタデータ） (2021-01-14T22:21:25Z)
Discovering Avoidable Planner Failures of Autonomous Vehicles using Counterfactual Analysis in Behaviorally Diverse Simulation [16.86782673205523]
本稿では,行動学的に多様な交通参加者をシミュレートする上で,近年の進歩を生かしたプランナーテストフレームワークを提案する。提案手法は,多岐にわたる重要な計画立案者の失敗を見出すことができることを示す。
論文参考訳（メタデータ） (2020-11-24T09:44:23Z)
Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文参考訳（メタデータ） (2020-09-12T02:02:52Z)
MIDAS: Multi-agent Interaction-aware Decision-making with Adaptive Strategies for Urban Autonomous Navigation [22.594295184455]
そこで本研究では,エゴエージェントが他車の制御動作に影響を与えることを学習する,MIDASと呼ばれる強化学習手法を構築した。 MIDAS は広範にわたる実験により検証され,(i) 異なる道路測地をまたいで動作可能であること,(ii) 外部エージェントの駆動方針の変化に対して堅牢であること,(iv) インタラクション対応意思決定に対する既存のアプローチよりも効率的で安全であること,などが示されている。
論文参考訳（メタデータ） (2020-08-17T04:34:25Z)

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。