論文の概要: BITS: Bi-level Imitation for Traffic Simulation

• arxiv url: http://arxiv.org/abs/2208.12403v1
• Date: Fri, 26 Aug 2022 02:17:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-29 13:38:05.813863
• Title: BITS: Bi-level Imitation for Traffic Simulation
• Title（参考訳）: BITS:交通シミュレーションのための双方向シミュレーション
• Authors: Danfei Xu, Yuxiao Chen, Boris Ivanovic, Marco Pavone
• Abstract要約: データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
• 参考スコア（独自算出の注目度）: 38.28736985320897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation is the key to scaling up validation and verification for robotic systems such as autonomous vehicles. Despite advances in high-fidelity physics and sensor simulation, a critical gap remains in simulating realistic behaviors of road users. This is because, unlike simulating physics and graphics, devising first principle models for human-like behaviors is generally infeasible. In this work, we take a data-driven approach and propose a method that can learn to generate traffic behaviors from real-world driving logs. The method achieves high sample efficiency and behavior diversity by exploiting the bi-level hierarchy of driving behaviors by decoupling the traffic simulation problem into high-level intent inference and low-level driving behavior imitation. The method also incorporates a planning module to obtain stable long-horizon behaviors. We empirically validate our method, named Bi-level Imitation for Traffic Simulation (BITS), with scenarios from two large-scale driving datasets and show that BITS achieves balanced traffic simulation performance in realism, diversity, and long-horizon stability. We also explore ways to evaluate behavior realism and introduce a suite of evaluation metrics for traffic simulation. Finally, as part of our core contributions, we develop and open source a software tool that unifies data formats across different driving datasets and converts scenes from existing datasets into interactive simulation environments. For additional information and videos, see https://sites.google.com/view/nvr-bits2022/home
• Abstract（参考訳）: シミュレーションは、自動運転車のようなロボットシステムの検証と検証をスケールアップする鍵となる。 高忠実度物理とセンサシミュレーションの進歩にもかかわらず、道路利用者の現実的な振る舞いをシミュレートする上で重要なギャップが残っている。 これは、物理やグラフィックスをシミュレートするのとは異なり、人間のような行動の第一原理モデルを考案することは一般的に不可能であるからである。 本研究では,実世界の運転ログからトラヒック挙動を学習する手法を提案する。 トラヒックシミュレーション問題をハイレベルインテント推論と低レベル運転行動模倣に分離することにより、運転行動のバイレベル階層を活用し、高いサンプル効率と行動多様性を実現する。 この方法は、安定したロングホリゾン挙動を得るために計画モジュールも組み込んでいる。 BITS(Bi-level Imitation for Traffic Simulation, Bi-level Imitation for Traffic Simulation, BITS)と呼ばれる手法を実証的に検証し, BITSが現実性, 多様性, 長期安定性においてバランスの取れた交通シミュレーション性能を達成することを示す。 また,行動リアリズムの評価方法を検討し,トラヒックシミュレーションのための評価指標のスイートを紹介する。 最後に、コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合し、既存のデータセットのシーンをインタラクティブなシミュレーション環境に変換するソフトウェアツールを開発し、オープンソース化しています。 詳細はhttps://sites.google.com/view/nvr-bits2022/homeを参照。

関連論文リスト

• 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)
• 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)
• 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)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路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に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
  本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。 私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2021-03-22T13:42:11Z)
• 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)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

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。