論文の概要: Analyzing and Enhancing Closed-loop Stability in Reactive Simulation
- arxiv url: http://arxiv.org/abs/2208.04559v1
- Date: Tue, 9 Aug 2022 06:31:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:21:27.634476
- Title: Analyzing and Enhancing Closed-loop Stability in Reactive Simulation
- Title（参考訳）: 反応シミュレーションにおける閉ループ安定性の解析と向上
- Authors: Wei-Jer Chang, Yeping Hu, Chenran Li, Wei Zhan, and Masayoshi Tomizuka
- Abstract要約: 本研究では,シミュレーションと現実の交通シナリオ間の人間の行動ギャップを埋める新しいリアクティブ・シミュレーション・フレームワークを提案する。
まず、シミュレーション状態列の滑らかさと一貫性が安定性の重要な要因となる新しい反応性シミュレーションフレームワークを提案する。
次に、反応シミュレーションの閉ループ安定性を改善するために、キネマティック車両モデルをフレームワークに組み込む。
- 参考スコア（独自算出の注目度）: 25.27603440925488
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Simulation has played an important role in efficiently evaluating
self-driving vehicles in terms of scalability. Existing methods mostly rely on
heuristic-based simulation, where traffic participants follow certain
human-encoded rules that fail to generate complex human behaviors. Therefore,
the reactive simulation concept is proposed to bridge the human behavior gap
between simulation and real-world traffic scenarios by leveraging real-world
data. However, these reactive models can easily generate unreasonable behaviors
after a few steps of simulation, where we regard the model as losing its
stability. To the best of our knowledge, no work has explicitly discussed and
analyzed the stability of the reactive simulation framework. In this paper, we
aim to provide a thorough stability analysis of the reactive simulation and
propose a solution to enhance the stability. Specifically, we first propose a
new reactive simulation framework, where we discover that the smoothness and
consistency of the simulated state sequences are crucial factors to stability.
We then incorporate the kinematic vehicle model into the framework to improve
the closed-loop stability of the reactive simulation. Furthermore, along with
commonly-used metrics, several novel metrics are proposed in this paper to
better analyze the simulation performance.
- Abstract（参考訳）: シミュレーションは、スケーラビリティの観点から自動運転車を効率的に評価する上で重要な役割を担ってきた。
既存の手法は主にヒューリスティックに基づくシミュレーションに依存しており、交通機関の参加者は複雑な人間の行動を生成するのに失敗する特定の人間のコード化された規則に従う。
そこで, 実世界のデータを活用することで, シミュレーションと実世界の交通シナリオの人間行動ギャップを埋めるリアクティブシミュレーションの概念を提案する。
しかし、これらの反応モデルは、数ステップのシミュレーションの後、容易に不合理な振る舞いを生じさせ、モデルの安定性を損なうとみなす。
私たちの知る限りでは、リアクティブシミュレーションフレームワークの安定性を明示的に議論し、分析した成果はありません。
本稿では,反応シミュレーションの安定性を徹底的に解析し,安定性を高めるための解を提案する。
具体的には,まず,シミュレーションされた状態列の滑らかさと一貫性が安定性の重要な要因であることを示す,新しい反応シミュレーションフレームワークを提案する。
次に,反応シミュレーションの閉ループ安定性を改善するために,キネマティック車両モデルをフレームワークに組み込む。
さらに,本論文では,一般的なメトリクスとともに,シミュレーション性能をよりよく解析するために,いくつかの新しい指標を提案する。
関連論文リスト
- BeSimulator: A Large Language Model Powered Text-based Behavior Simulator [28.112491177744783]
本研究では,BeSimulatorをテキストベースの環境下での動作シミュレーションの試みとして紹介する。
BeSimulatorはシナリオを一般化し、長距離複素シミュレーションを実現する。
論文 参考訳（メタデータ） (2024-09-24T08:37:04Z) - SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。
シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。
本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-07-16T19:08:49Z) - 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) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - Perception Imitation: Towards Synthesis-free Simulator for Autonomous
Vehicles [45.27200446670184]
本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。
実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
論文 参考訳（メタデータ） (2023-04-19T01:27:02Z) - Simulation-based Bayesian inference for robotic grasping [6.218934678555297]
一般的なロボットグリップパーは、そのリッチな非滑らかな接触ダイナミクスと環境やセンサノイズによる不確実性のため、制御が困難である。
本研究では,シミュレーションに基づくベイズ推定を用いて,6-DoFグリップポーズの計算方法を示す。
論文 参考訳（メタデータ） (2023-03-10T11:56:56Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z) - DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。
シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。
実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
論文 参考訳（メタデータ） (2020-02-18T05:29:40Z)
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。