論文の概要: Vectorized Scenario Description and Motion Prediction for Scenario-Based Testing

• arxiv url: http://arxiv.org/abs/2302.01161v2
• Date: Fri, 25 Aug 2023 15:21:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 23:33:45.641784
• Title: Vectorized Scenario Description and Motion Prediction for Scenario-Based Testing
• Title（参考訳）: シナリオベーステストのためのベクトルシナリオ記述と動作予測
• Authors: Max Winkelmann, Constantin Vasconi, Steffen M\"uller
• Abstract要約: 本稿では,道路形状と車両軌跡によって定義されたベクトル化されたシナリオ記述を提案する。 この形式のデータは3つのシナリオに対して生成され、マージされ、モーション予測モデルであるVectorNetのトレーニングに使用される。
• 参考スコア（独自算出の注目度）: 2.07180164747172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated vehicles (AVs) are tested in diverse scenarios, typically specified by parameters such as velocities, distances, or curve radii. To describe scenarios uniformly independent of such parameters, this paper proposes a vectorized scenario description defined by the road geometry and vehicles' trajectories. Data of this form are generated for three scenarios, merged, and used to train the motion prediction model VectorNet, allowing to predict an AV's trajectory for unseen scenarios. Predicting scenario evaluation metrics, VectorNet partially achieves lower errors than regression models that separately process the three scenarios' data. However, for comprehensive generalization, sufficient variance in the training data must be ensured. Thus, contrary to existing methods, our proposed method can merge diverse scenarios' data and exploit spatial and temporal nuances in the vectorized scenario description. As a result, data from specified test scenarios and real-world scenarios can be compared and combined for (predictive) analyses and scenario selection.
• Abstract（参考訳）: 自動車両(AV)は様々なシナリオでテストされ、通常速度、距離、曲線半径などのパラメータによって特定される。 そこで本研究では,道路形状と車両軌跡によって定義されるベクトル化されたシナリオ記述を提案する。 この形式のデータは3つのシナリオで生成され、マージされ、モーション予測モデルであるVectorNetのトレーニングに使用される。 VectorNetはシナリオ評価メトリクスを予測し、3つのシナリオのデータとは別に処理する回帰モデルよりも低いエラーを部分的に達成する。 しかし、総合的な一般化には、トレーニングデータの十分なばらつきを確保する必要がある。 したがって,既存の手法とは対照的に,提案手法は多様なシナリオのデータをマージし,ベクトル化されたシナリオ記述において空間的・時間的ニュアンスを活用できる。 その結果、特定のテストシナリオと実世界のシナリオのデータを比較し、(予測的な)分析とシナリオ選択に組み合わせることができる。

関連論文リスト

• Causality-based Transfer of Driving Scenarios to Unseen Intersections [0.0]
  シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T15:38:18Z)
• Tree-Based Scenario Classification: A Formal Framework for Coverage Analysis on Test Drives of Autonomous Vehicles [0.0]
  シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。 シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
  論文  参考訳（メタデータ） (2023-07-11T08:30:57Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• Normalizing Flow-based Day-Ahead Wind Power Scenario Generation for Profitable and Reliable Delivery Commitments by Wind Farm Operators [62.997667081978825]
  本稿では,予測情報を利用して,日頭スケジューリング問題における特定の利用シナリオを生成するシナリオ生成手法を提案する。 特に,日頭風速予測を用いて,そのシナリオを特定の日に合わせて調整する条件分布から,正規化フローを用いて風力発電シナリオを生成する。 本稿では,風力発電者の日頭入札問題に生成シナリオを適用し,そのシナリオが有益で信頼性の高い意思決定をもたらすかどうかに着目した統計的分析を行う。
  論文  参考訳（メタデータ） (2022-04-05T14:27:25Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  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。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• 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)
• A Scenario-Based Development Framework for Autonomous Driving [0.0]
  本稿では,自動運転車のシナリオベーステスト・開発技術の進歩について概説する。 本稿では,シナリオの定義,シナリオの要素,シナリオのデータソース,シナリオデータの処理方法,シナリオベースのVモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-03T03:06:48Z)
• 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)
• Real-World Scenario Mining for the Assessment of Automated Vehicles [12.962830182937035]
  2段階のアプローチで実世界のデータからシナリオをキャプチャする手法を提案する。 この手法は特定のシナリオには当てはまらないため、様々なシナリオに適用することができる。
  論文  参考訳（メタデータ） (2020-05-31T10:10:39Z)

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。