論文の概要: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior
- arxiv url: http://arxiv.org/abs/2112.05077v1
- Date: Thu, 9 Dec 2021 18:03:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 14:22:41.503613
- Title: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior
- Title(参考訳): 学習トラヒックによる事故回避シナリオの作成
- Authors: Davis Rempe, Jonah Philion, Leonidas J. Guibas, Sanja Fidler, Or
Litany
- Abstract要約: STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
- 参考スコア(独自算出の注目度): 135.78858513845233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating and improving planning for autonomous vehicles requires scalable
generation of long-tail traffic scenarios. To be useful, these scenarios must
be realistic and challenging, but not impossible to drive through safely. In
this work, we introduce STRIVE, a method to automatically generate challenging
scenarios that cause a given planner to produce undesirable behavior, like
collisions. To maintain scenario plausibility, the key idea is to leverage a
learned model of traffic motion in the form of a graph-based conditional VAE.
Scenario generation is formulated as an optimization in the latent space of
this traffic model, effected by perturbing an initial real-world scene to
produce trajectories that collide with a given planner. A subsequent
optimization is used to find a "solution" to the scenario, ensuring it is
useful to improve the given planner. Further analysis clusters generated
scenarios based on collision type. We attack two planners and show that STRIVE
successfully generates realistic, challenging scenarios in both cases. We
additionally "close the loop" and use these scenarios to optimize
hyperparameters of a rule-based planner.
- Abstract(参考訳): 自動運転車の計画の評価と改善には、長距離交通シナリオのスケーラブルな生成が必要である。
便利にするために、これらのシナリオは現実的で挑戦的でなければならないが、安全に運転することは不可能ではない。
本研究では,あるプランナーが衝突のような望ましくない振る舞いを生じさせるような,困難なシナリオを自動生成するSTRIVEを紹介する。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
シナリオ生成は、このトラフィックモデルの潜在空間における最適化として定式化され、初期現実のシーンを摂動させ、与えられたプランナーと衝突する軌道を生成する。
その後の最適化はシナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
さらなる分析クラスターは衝突型に基づくシナリオを生成する。
2つのプランナーを攻撃し、STRIVEが両方のケースで現実的で困難なシナリオをうまく生成できることを示します。
さらに、これらのシナリオを使ってルールベースのプランナーのハイパーパラメータを最適化します。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しい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案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、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) - Interpretable and Flexible Target-Conditioned Neural Planners For
Autonomous Vehicles [22.396215670672852]
以前の作業では、1つの計画軌跡を見積もることしか学ばず、現実のシナリオでは複数の許容可能な計画が存在する場合もあります。
本稿では,自律走行車における鳥の視線における複数の潜在的目標を効果的に表現する,熱マップを回帰する解釈可能なニューラルプランナーを提案する。
Lyft Openデータセットの体系的な評価から、当社のモデルは、以前の作業よりも安全で柔軟な運転パフォーマンスを実現しています。
論文 参考訳(メタデータ) (2023-09-23T22:13:03Z) - Integration of Reinforcement Learning Based Behavior Planning With
Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。
私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
論文 参考訳(メタデータ) (2023-04-17T13:49:55Z) - KING: Generating Safety-Critical Driving Scenarios for Robust Imitation
via Kinematics Gradients [39.9379344872937]
現在の運転シミュレータは、バックグラウンドトラフィックの「行動モデル」を示す。
手動のシナリオは通常、安全クリティカルな状況を引き起こすシミュレーション中に追加される。
ブラックボックス最適化よりも20%高い成功率で安全クリティカルな運転シナリオを生成するKINGを提案する。
論文 参考訳(メタデータ) (2022-04-28T17:48:48Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳(メタデータ) (2021-12-13T13:19:45Z) - 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) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。