論文の概要: Agent-aware State Estimation in Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2108.00366v1
- Date: Sun, 1 Aug 2021 05:31:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 08:52:10.820535
- Title: Agent-aware State Estimation in Autonomous Vehicles
- Title（参考訳）: 自律走行車におけるエージェントアウェア状態推定
- Authors: Shane Parr, Ishan Khatri, Justin Svegliato, and Shlomo Zilberstein
- Abstract要約: 本研究では,環境中の他のエージェントの挙動を間接的に推定するフレームワークであるエージェント・アウェア状態推定を導入する。
提案手法は,実走行車群における既存の交通信号のみのHMM法よりも精度が高いことを示す。
- 参考スコア（独自算出の注目度）: 22.60566287125007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous systems often operate in environments where the behavior of
multiple agents is coordinated by a shared global state. Reliable estimation of
the global state is thus critical for successfully operating in a multi-agent
setting. We introduce agent-aware state estimation -- a framework for
calculating indirect estimations of state given observations of the behavior of
other agents in the environment. We also introduce transition-independent
agent-aware state estimation -- a tractable class of agent-aware state
estimation -- and show that it allows the speed of inference to scale linearly
with the number of agents in the environment. As an example, we model traffic
light classification in instances of complete loss of direct observation. By
taking into account observations of vehicular behavior from multiple directions
of traffic, our approach exhibits accuracy higher than that of existing traffic
light-only HMM methods on a real-world autonomous vehicle data set under a
variety of simulated occlusion scenarios.
- Abstract（参考訳）: 自律システムは、複数のエージェントの動作が共有グローバル状態によって協調される環境で動作することが多い。
したがって、グローバル状態の信頼性の高い推定は、マルチエージェント環境での運用に成功するために重要である。
エージェントアウェア状態推定 - 環境における他のエージェントの振る舞いを観察した状態の間接的推定を計算するためのフレームワークである。
また、遷移非依存のエージェント認識状態推定(エージェント認識状態推定の抽出可能なクラス)を導入し、推論の速度が環境内のエージェントの数と線形にスケール可能であることを示す。
一例として、直接観測の完全な損失の場合の交通信号分類をモデル化する。
本手法は,複数方向からの車両の挙動の観測を考慮し,様々な擬似閉塞シナリオで設定した実世界の自動運転車データに対して,既存の交通専用HMM法よりも精度が高いことを示す。
関連論文リスト
- Bench4Merge: A Comprehensive Benchmark for Merging in Realistic Dense Traffic with Micro-Interactive Vehicles [20.832829903505296]
我々は,統合シナリオにおける動作計画能力を評価するためのベンチマークを開発する。
我々のアプローチには、微小な行動特性を持つ大規模データセットで訓練された他の車両が含まれる。
大規模な実験は、この評価ベンチマークの高度な性質を実証した。
論文 参考訳（メタデータ） (2024-10-21T11:35:33Z) - 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) - A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。
我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。
本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
論文 参考訳（メタデータ） (2023-09-21T22:10:20Z) - 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) - Benchmark for Models Predicting Human Behavior in Gap Acceptance
Scenarios [4.801975818473341]
我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用する。
論文 参考訳（メタデータ） (2022-11-10T09:59:38Z) - Multi-Agent Variational Occlusion Inference Using People as Sensors [28.831182328958477]
エージェントの振る舞いから占有度を推定することは本質的にマルチモーダル問題である。
そこで本研究では,人間のエージェントの観察行動をセンサ測定として特徴付けるオクルージョン推論手法を提案する。
我々のアプローチは、実世界のデータセットで検証され、ベースラインを上回り、リアルタイムに有能なパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-09-05T21:56:54Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - Generalizing Decision Making for Automated Driving with an Invariant
Environment Representation using Deep Reinforcement Learning [55.41644538483948]
現在のアプローチは、トレーニングデータを超えてよく一般化されないか、または可変数のトラフィック参加者を考慮することができない。
本研究では,エゴ車の観点から不変環境表現を提案する。
この抽象化により,エージェントが未確認シナリオに対してうまく一般化できることが示される。
論文 参考訳（メタデータ） (2021-02-12T20:37:29Z) - 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) - Diverse and Admissible Trajectory Forecasting through Multimodal Context
Understanding [46.52703817997932]
自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。
マルチモーダル世界から複数の入力信号を合成するモデルを提案する。
従来の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-06T13:59:39Z)
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。