論文の概要: Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses
- arxiv url: http://arxiv.org/abs/2302.08418v1
- Date: Thu, 16 Feb 2023 16:54:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 13:23:04.954976
- Title: Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses
- Title（参考訳）: ベクトル混合現実メタバースにおけるAIを活用した自律走行シミュレーション
- Authors: Minrui Xu, Dusit Niyato, Junlong Chen, Hongliang Zhang, Jiawen Kang,
Zehui Xiong, Shiwen Mao, Zhu Han
- Abstract要約: 車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 130.15554653948897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the vehicular mixed reality (MR) Metaverse, the distance between physical
and virtual entities can be overcome by fusing the physical and virtual
environments with multi-dimensional communications in autonomous driving
systems. Assisted by digital twin (DT) technologies, connected autonomous
vehicles (AVs), roadside units (RSU), and virtual simulators can maintain the
vehicular MR Metaverse via digital simulations for sharing data and making
driving decisions collaboratively. However, large-scale traffic and driving
simulation via realistic data collection and fusion from the physical world for
online prediction and offline training in autonomous driving systems are
difficult and costly. In this paper, we propose an autonomous driving
architecture, where generative AI is leveraged to synthesize unlimited
conditioned traffic and driving data in simulations for improving driving
safety and traffic efficiency. First, we propose a multi-task DT offloading
model for the reliable execution of heterogeneous DT tasks with different
requirements at RSUs. Then, based on the preferences of AV's DTs and collected
realistic data, virtual simulators can synthesize unlimited conditioned driving
and traffic datasets to further improve robustness. Finally, we propose a
multi-task enhanced auction-based mechanism to provide fine-grained incentives
for RSUs in providing resources for autonomous driving. The property analysis
and experimental results demonstrate that the proposed mechanism and
architecture are strategy-proof and effective, respectively.
- Abstract（参考訳）: 車両混合現実(MR)メタバースでは、自律運転システムにおける物理と仮想環境を多次元通信で融合させることで、物理的と仮想の実体間の距離を克服することができる。
デジタルツイン(DT)技術、コネクテッド・オートモービル(AV)、ロードサイド・ユニット(RSU)、仮想シミュレータによって、データを共有し、共同で運転決定を行うためのデジタルシミュレーションを通じて車載MRメタバースを維持することができる。
しかし、現実のデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは、自動運転システムにおけるオンライン予測とオフライントレーニングは困難でコストがかかる。
本稿では,運転安全性と交通効率を向上させるためのシミュレーションにおいて,生成AIを活用して,無制限の条件付きトラフィックと運転データを合成する自律運転アーキテクチャを提案する。
まず,RSUの要件が異なる不均一なDTタスクを確実に実行するためのマルチタスクDTオフロードモデルを提案する。
そして、AVのDTの好みと現実的なデータの収集に基づいて、仮想シミュレータは無制限の条件付き運転とトラフィックデータセットを合成し、堅牢性をさらに向上することができる。
最後に,自律運転のための資源提供におけるrsusの細かなインセンティブを提供するマルチタスク拡張オークション方式を提案する。
特性解析と実験の結果から,提案手法とアーキテクチャはそれぞれ戦略的かつ効果的であることが判明した。
関連論文リスト
- A Joint Approach Towards Data-Driven Virtual Testing for Automated Driving: The AVEAS Project [2.4163276807189282]
シミュレーションのパラメトリゼーションや検証には、現実世界のデータが著しく不足している。
本稿では,ドイツのAVAS研究プロジェクトの結果について述べる。
論文 参考訳（メタデータ） (2024-05-10T07:36:03Z) - An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。
本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
論文 参考訳（メタデータ） (2024-05-02T23:24:27Z) - 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 Multi-Modal Simulation Framework to Enable Digital Twin-based V2X Communications in Dynamic Environments [10.652127049174883]
近年,物理無線環境のためのディジタルツイン(DT)が,伝播環境の正確な仮想表現として提案されている。
本稿では,V2X通信シナリオのDT作成のための新しいデータ駆動ワークフローを提案する。
本稿では,V2Xリンク復元のためのDT支援ブロックハンドオーバタスクに関するフレームワークについて紹介する。
論文 参考訳（メタデータ） (2023-03-13T09:31:20Z) - 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) - Generative AI-empowered Effective Physical-Virtual Synchronization in
the Vehicular Metaverse [129.8037449161817]
本稿では,車載メタバースのための生成AIを利用した物理仮想同期フレームワークを提案する。
仮想と物理の同期において、MARは、ユーザの好みに基づいた生成AIモデルを通じて、多彩で個人的なARレコメンデーションをカスタマイズする。
論文 参考訳（メタデータ） (2023-01-18T16:25:42Z) - Exiting the Simulation: The Road to Robust and Resilient Autonomous
Vehicles at Scale [0.0]
本稿では,自律運転システムの開発に使用されている最先端のシミュレーションフレームワークと方法論について述べる。
自律運転シミュレーションにおける重要な課題の合成について述べる。
論文 参考訳（メタデータ） (2022-10-19T20:32:43Z) - CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous
Driving Tasks [11.489187712465325]
自律運転システムは、世界の抽象的な記述を形成するために、様々なセンサから収集した情報を効果的に活用すべきである。
オートエンコーダのようなディープラーニングモデルは、受信データのストリームからコンパクトな潜在表現を学習できるため、その目的のために使用できる。
この研究は、自動エンコーダとリカレントニューラルネットワークを組み合わせて現在の潜伏表現を学習する、複合dynAmicautoencodeRネットワークアーキテクチャであるCARNetを提案する。
論文 参考訳（メタデータ） (2022-05-18T04:15:42Z) - COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked
Vehicles [54.61668577827041]
本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。
われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
論文 参考訳（メタデータ） (2022-05-04T17:55:12Z) - 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)
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。