論文の概要: nuPlan: A closed-loop ML-based planning benchmark for autonomous
vehicles
- arxiv url: http://arxiv.org/abs/2106.11810v1
- Date: Tue, 22 Jun 2021 14:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 14:55:58.524889
- Title: nuPlan: A closed-loop ML-based planning benchmark for autonomous
vehicles
- Title(参考訳): 自動運転車のためのクローズドループMLベースの計画ベンチマークnuPlan
- Authors: Holger Caesar, Juraj Kabzan, Kok Seang Tan, Whye Kit Fong, Eric Wolff,
Alex Lang, Luke Fletcher, Oscar Beijbom, Sammy Omari
- Abstract要約: 我々は,自動運転のための世界初のクローズドループMLベースの計画ベンチマークを提案する。
われわれは、米国とアジアの4都市から、1500hの人間の運転データによる高品質なデータセットを提供する。
我々は、NeurIPS 2021でデータセットをリリースし、2022年初頭からベンチマークの課題を整理する予定です。
- 参考スコア(独自算出の注目度): 7.212066200339641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose the world's first closed-loop ML-based planning
benchmark for autonomous driving. While there is a growing body of ML-based
motion planners, the lack of established datasets and metrics has limited the
progress in this area. Existing benchmarks for autonomous vehicle motion
prediction have focused on short-term motion forecasting, rather than long-term
planning. This has led previous works to use open-loop evaluation with L2-based
metrics, which are not suitable for fairly evaluating long-term planning. Our
benchmark overcomes these limitations by introducing a large-scale driving
dataset, lightweight closed-loop simulator, and motion-planning-specific
metrics. We provide a high-quality dataset with 1500h of human driving data
from 4 cities across the US and Asia with widely varying traffic patterns
(Boston, Pittsburgh, Las Vegas and Singapore). We will provide a closed-loop
simulation framework with reactive agents and provide a large set of both
general and scenario-specific planning metrics. We plan to release the dataset
at NeurIPS 2021 and organize benchmark challenges starting in early 2022.
- Abstract(参考訳): 本研究では、自動運転のための世界初のクローズループMLベースの計画ベンチマークを提案する。
MLベースのモーションプランナは増え続けているが、確立されたデータセットとメトリクスの欠如により、この分野の進歩は制限されている。
既存の自動運転車の動き予測のベンチマークでは、長期的な計画ではなく、短期的な動き予測に焦点を当てている。
この結果、L2ベースのメトリクスを用いたオープンループ評価は、長期計画の適正な評価には適していない。
本ベンチマークでは,大規模運転データセット,軽量クローズドループシミュレータ,モーションプランニング特有のメトリクスを導入することで,これらの制限を克服する。
我々は、米国とアジアの4都市(ボストン、ピッツバーグ、ラスベガス、シンガポール)の運転データ1500hの高品質なデータセットを提供しています。
リアクティブエージェントを備えたクローズドループシミュレーションフレームワークを提供し、一般的な計画メトリクスとシナリオ固有の計画メトリクスの両方を提供する。
NeurIPS 2021でデータセットをリリースし、2022年初めからベンチマークの課題を整理する予定です。
関連論文リスト
- Towards learning-based planning:The nuPlan benchmark for real-world
autonomous driving [2.6855803445552233]
nuPlanは世界初の実世界の自動運転データセットとベンチマークである。
このベンチマークは、MLベースのプランナーがさまざまな運転状況に対処できる能力をテストするために設計されている。
本稿では,多数のベースラインの詳細な解析を行い,MLに基づく手法と従来の手法とのギャップについて検討する。
論文 参考訳(メタデータ) (2024-03-07T01:24:59Z) - TravelPlanner: A Benchmark for Real-World Planning with Language Agents [65.57612528270735]
我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。
豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。
包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
論文 参考訳(メタデータ) (2024-02-02T18:39:51Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳(メタデータ) (2023-12-30T02:53:45Z) - Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [88.398233613304]
エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。
比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。
予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
論文 参考訳(メタデータ) (2023-12-05T11:32:31Z) - Navigating Uncertainty: The Role of Short-Term Trajectory Prediction in
Autonomous Vehicle Safety [3.3659635625913564]
我々は,CARLAシミュレータを用いた短期軌道予測タスクのためのデータセットを開発した。
このデータセットは広く、複雑なシナリオとして、歩行者が道路を横断し、車両が乗り越える、と考えられています。
畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)を用いた終端から終端までの短期軌道予測モデルも開発されている。
論文 参考訳(メタデータ) (2023-07-11T14:28:33Z) - Parting with Misconceptions about Learning-based Vehicle Motion Planning [30.39229175273061]
nuPlanは、自動車の運動計画研究の新しい時代を象徴している。
既存のシステムは、両方の要件を同時に満たすのに苦労しています。
本稿では,非常にシンプルで効率的なプランナを提案する。
論文 参考訳(メタデータ) (2023-06-13T17:57:03Z) - PlanT: Explainable Planning Transformers via Object-Level
Representations [64.93938686101309]
PlanTは、自動運転のコンテキストにおける計画のための新しいアプローチである。
PlanTは、コンパクトなオブジェクトレベルの入力表現を持つ模倣学習に基づいている。
この結果から,PlanTは幾何学的に距離をおいても,現場で最も関連性の高い物体に焦点を合わせることが可能であることが示唆された。
論文 参考訳(メタデータ) (2022-10-25T17:59:46Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳(メタデータ) (2020-05-29T17:57:25Z) - Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。
Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。
1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
論文 参考訳(メタデータ) (2020-05-07T17:52:23Z)
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。