論文の概要: TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2203.16792v1
• Date: Thu, 31 Mar 2022 04:48:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 16:18:54.437383
• Title: TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving
• Title（参考訳）: TrajGen: 自律運転のためのリアクティブかつ実行可能なエージェント行動による現実的および異種軌道の生成
• Authors: Qichao Zhang, Yinfeng Gao, Yikang Zhang, Youtian Guo, Dawei Ding, Yunpeng Wang, Peng Sun, Dongbin Zhao
• Abstract要約: 既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。 そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。 また,データ駆動型シミュレータI-Simを開発した。
• 参考スコア（独自算出の注目度）: 19.06020265777298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Realistic and diverse simulation scenarios with reactive and feasible agent behaviors can be used for validation and verification of self-driving system performance without relying on expensive and time-consuming real-world testing. Existing simulators rely on heuristic-based behavior models for background vehicles, which cannot capture the complex interactive behaviors in real-world scenarios. To bridge the gap between simulation and the real world, we propose TrajGen, a two-stage trajectory generation framework, which can capture more realistic behaviors directly from human demonstration. In particular, TrajGen consists of the multi-modal trajectory prediction stage and the reinforcement learning based trajectory modification stage. In the first stage, we propose a novel auxiliary RouteLoss for the trajectory prediction model to generate multi-modal diverse trajectories in the drivable area. In the second stage, reinforcement learning is used to track the predicted trajectories while avoiding collisions, which can improve the feasibility of generated trajectories. In addition, we develop a data-driven simulator I-Sim that can be used to train reinforcement learning models in parallel based on naturalistic driving data. The vehicle model in I-Sim can guarantee that the generated trajectories by TrajGen satisfy vehicle kinematic constraints. Finally, we give comprehensive metrics to evaluate generated trajectories for simulation scenarios, which shows that TrajGen outperforms either trajectory prediction or inverse reinforcement learning in terms of fidelity, reactivity, feasibility, and diversity.
• Abstract（参考訳）: リアクティブで実現可能なエージェント動作を備えた現実的で多様なシミュレーションシナリオは、コストと時間を要する実世界の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と検証に使用できる。 既存のシミュレータは、実世界のシナリオで複雑なインタラクティブな振る舞いを捉えることができない背景車両のヒューリスティックな行動モデルに依存している。 シミュレーションと実世界のギャップを埋めるために,人間の実演からより現実的な行動を直接捉える2段階の軌道生成フレームワークであるTrajGenを提案する。 特に、TrajGenはマルチモーダルな軌道予測段階と強化学習に基づく軌道修正段階で構成されている。 第1段階では, 軌道予測モデルのための補助経路を新たに提案し, ドリブル領域における多モード多種多様な軌道を生成する。 第2段階では、強化学習を用いて予測された軌道を追跡し、衝突を回避し、生成した軌道の実現可能性を向上させる。 さらに,自然駆動データに基づいて強化学習モデルを並列にトレーニングできるデータ駆動シミュレータi-simを開発した。 I-Simの車両モデルは、TrajGenが生成した軌道が車両運動の制約を満たすことを保証できる。 最後に,シミュレーションシナリオにおいて生成した軌跡を評価するための総合的な指標を提示し,traigenが精度,反応性,実現可能性,多様性の観点から軌道予測や逆強化学習よりも優れていることを示す。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
  RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:11:06Z)
• 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)
• 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)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories [2.908482270923597]
  本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。 本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
  論文  参考訳（メタデータ） (2020-07-28T23:33:05Z)
• TrajGAIL: Generating Urban Vehicle Trajectories using Generative Adversarial Imitation Learning [9.01310450044549]
  本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。 都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。 TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
  論文  参考訳（メタデータ） (2020-07-28T13:17:51Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。