論文の概要: Automatic extraction of similar traffic scenes from large naturalistic
datasets using the Hausdorff distance
- arxiv url: http://arxiv.org/abs/2206.13386v1
- Date: Fri, 17 Jun 2022 06:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 03:42:44.968484
- Title: Automatic extraction of similar traffic scenes from large naturalistic
datasets using the Hausdorff distance
- Title(参考訳): ハウスドルフ距離を用いた大規模自然主義データセットからの類似交通シーンの自動抽出
- Authors: Olger Siebinga, Arkady Zgonnikov, David Abbink
- Abstract要約: 集合の数学的距離計量であるハウスドルフ距離を用いる4段階抽出法を提案する。
この方法により、コストと時間を要する運転シミュレーション実験を必要とせず、操作的および戦術的人間の行動の変動について検討することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, multiple naturalistic traffic datasets of human-driven trajectories
have been published (e.g., highD, NGSim, and pNEUMA). These datasets have been
used in studies that investigate variability in human driving behavior, for
example for scenario-based validation of autonomous vehicle (AV) behavior,
modeling driver behavior, or validating driver models. Thus far, these studies
focused on the variability on an operational level (e.g., velocity profiles
during a lane change), not on a tactical level (i.e., to change lanes or not).
Investigating the variability on both levels is necessary to develop driver
models and AVs that include multiple tactical behaviors. To expose multi-level
variability, the human responses to the same traffic scene could be
investigated. However, no method exists to automatically extract similar scenes
from datasets. Here, we present a four-step extraction method that uses the
Hausdorff distance, a mathematical distance metric for sets. We performed a
case study on the highD dataset that showed that the method is practically
applicable. The human responses to the selected scenes exposed the variability
on both the tactical and operational levels. With this new method, the
variability in operational and tactical human behavior can be investigated,
without the need for costly and time-consuming driving-simulator experiments.
- Abstract(参考訳): 近年、人間駆動軌道の複数の自然なトラフィックデータセット(HighD、NGSim、pNEUMAなど)が公表されている。
これらのデータセットは、例えば、自動運転車(AV)の挙動のシナリオベースの検証、ドライバの振る舞いのモデリング、ドライバーモデルの検証など、人間の運転行動の変動性を研究する研究で使用されている。
これまでの研究では、戦術的なレベル(車線変更の有無)ではなく、運用レベルの変動性(車線変更時の速度プロファイルなど)に焦点を当てている。
両レベルの変動性を調べることは、複数の戦術行動を含むドライバーモデルとavを開発するために必要である。
マルチレベル変動を明らかにするために,同じ交通シーンに対する人間の反応を調べることができる。
しかし、データセットから同様のシーンを自動的に抽出する手法は存在しない。
本稿では,集合の数学的距離計量であるハウスドルフ距離を用いた4段階抽出法を提案する。
本研究では,本手法が実際に適用可能であることを示す高次元データセットのケーススタディを行った。
選択されたシーンに対する人間の反応は、戦術レベルと作戦レベルの両方の変動を露呈した。
この新しい手法では、コストと時間を要する運転シミュレーション実験を必要とせずに、操作的および戦術的な人間の行動の変動を調査できる。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。
しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。
視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
論文 参考訳(メタデータ) (2023-07-28T05:47:24Z) - Learning Representative Trajectories of Dynamical Systems via
Domain-Adaptive Imitation [0.0]
ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。
実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。
実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
論文 参考訳(メタデータ) (2023-04-19T15:53:48Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - Driver Maneuver Detection and Analysis using Time Series Segmentation
and Classification [7.413735713939367]
本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。
本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
論文 参考訳(メタデータ) (2022-11-10T03:38:50Z) - Improving Variational Autoencoder based Out-of-Distribution Detection
for Embedded Real-time Applications [2.9327503320877457]
アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。
本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。
提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。
また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
論文 参考訳(メタデータ) (2021-07-25T07:52:53Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳(メタデータ) (2021-04-22T12:47:37Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳(メタデータ) (2020-12-04T15:10:12Z) - 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) - Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。
我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
論文 参考訳(メタデータ) (2020-06-15T05:40:11Z)
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。