論文の概要: SimNet: Learning Reactive Self-driving Simulations from Real-world
Observations
- arxiv url: http://arxiv.org/abs/2105.12332v1
- Date: Wed, 26 May 2021 05:14:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 00:58:37.019605
- Title: SimNet: Learning Reactive Self-driving Simulations from Real-world
Observations
- Title（参考訳）: SimNet: 現実の観察からリアクティブな自動運転シミュレーションを学ぶ
- Authors: Luca Bergamini, Yawei Ye, Oliver Scheel, Long Chen, Chih Hu, Luca Del
Pero, Blazej Osinski, Hugo Grimmett, Peter Ondruska
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.035169936164504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present a simple end-to-end trainable machine learning
system capable of realistically simulating driving experiences. This can be
used for the verification of self-driving system performance without relying on
expensive and time-consuming road testing. In particular, we frame the
simulation problem as a Markov Process, leveraging deep neural networks to
model both state distribution and transition function. These are trainable
directly from the existing raw observations without the need for any
handcrafting in the form of plant or kinematic models. All that is needed is a
dataset of historical traffic episodes. Our formulation allows the system to
construct never seen scenes that unfold realistically reacting to the
self-driving car's behaviour. We train our system directly from 1,000 hours of
driving logs and measure both realism, reactivity of the simulation as the two
key properties of the simulation. At the same time, we apply the method to
evaluate the performance of a recently proposed state-of-the-art ML planning
system trained from human driving logs. We discover this planning system is
prone to previously unreported causal confusion issues that are difficult to
test by non-reactive simulation. To the best of our knowledge, this is the
first work that directly merges highly realistic data-driven simulations with a
closed-loop evaluation for self-driving vehicles. We make the data, code, and
pre-trained models publicly available to further stimulate simulation
development.
- Abstract（参考訳）: 本稿では,運転体験を現実的にシミュレートできる簡易なエンドツーエンド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、コストと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。
特に,シミュレーション問題をマルコフ過程としてモデル化し,ディープニューラルネットワークを用いて状態分布と遷移関数の両方をモデル化する。
これらは、植物またはキネマティックモデルという形で手作りをする必要なく、既存の生の観測から直接訓練することができる。
必要なのは、歴史的なトラフィックエピソードのデータセットだけです。
我々の定式化によってシステムは、自動運転車の振る舞いに現実的に反応するシーンを決して見えないようにすることができる。
我々は,1000時間の走行ログを直接トレーニングし,シミュレーションの2つの重要な特性として現実性と反応性の両方を測定する。
同時に,人間の運転ログからトレーニングした最先端ML計画システムの性能評価にも本手法を適用した。
この計画システムは,非反応性シミュレーションではテストが困難であった先行報告の因果的混乱問題に起因する。
私たちの知る限りでは、これは極めて現実的なデータ駆動シミュレーションと、自動運転車のクローズドループ評価を直接統合した最初の作品です。
シミュレーション開発をさらに促進するために、データ、コード、事前訓練されたモデルを公開します。
関連論文リスト
- 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) - Perception Imitation: Towards Synthesis-free Simulator for Autonomous
Vehicles [45.27200446670184]
本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。
実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
論文 参考訳（メタデータ） (2023-04-19T01:27:02Z) - 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) - Autonomous Driving Simulator based on Neurorobotics Platform [11.25880077022107]
自動運転車には人工知能アルゴリズムがたくさんあるが、これらのアルゴリズムを直接車両にインストールするのは非現実的で高価だ。
同時に、これらのアルゴリズムの多くは、トレーニングと最適化のための環境を必要としています。
このレポートは、Neurorobotics Platformに関する小さな研究から始まり、真の現実世界のシミュレーション目標を達成するための新しいシミュレータの開発の可能性と可能性を分析する。
論文 参考訳（メタデータ） (2022-12-31T01:12:27Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving
Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。
これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。
これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文 参考訳（メタデータ） (2022-10-25T17:50:36Z) - 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) - 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) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
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。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - 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。