論文の概要: Editing Driver Character: Socially-Controllable Behavior Generation for
Interactive Traffic Simulation
- arxiv url: http://arxiv.org/abs/2303.13830v1
- Date: Fri, 24 Mar 2023 06:38:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 15:26:31.222224
- Title: Editing Driver Character: Socially-Controllable Behavior Generation for
Interactive Traffic Simulation
- Title（参考訳）: ドライバキャラクタの編集:対話型交通シミュレーションのための社会的制御可能な行動生成
- Authors: Wei-Jer Chang, Chen Tang, Chenran Li, Yeping Hu, Masayoshi Tomizuka,
and Wei Zhan
- Abstract要約: 交通シミュレーションは、自動運転計画システムの評価と改善において重要な役割を果たす。
自動運転車がさまざまな対話的な交通シナリオで安全かつ効率的な操作を確実にするためには、自動運転車を反応性のあるエージェントに対して評価する必要がある。
本研究では,この目的のために社会的に制御可能な行動生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 29.623575243494475
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic simulation plays a crucial role in evaluating and improving
autonomous driving planning systems. After being deployed on public roads,
autonomous vehicles need to interact with human road participants with
different social preferences (e.g., selfish or courteous human drivers). To
ensure that autonomous vehicles take safe and efficient maneuvers in different
interactive traffic scenarios, we should be able to evaluate autonomous
vehicles against reactive agents with different social characteristics in the
simulation environment. We propose a socially-controllable behavior generation
(SCBG) model for this purpose, which allows the users to specify the level of
courtesy of the generated trajectory while ensuring realistic and human-like
trajectory generation through learning from real-world driving data.
Specifically, we define a novel and differentiable measure to quantify the
level of courtesy of driving behavior, leveraging marginal and conditional
behavior prediction models trained from real-world driving data. The proposed
courtesy measure allows us to auto-label the courtesy levels of trajectories
from real-world driving data and conveniently train an SCBG model generating
trajectories based on the input courtesy values. We examined the SCBG model on
the Waymo Open Motion Dataset (WOMD) and showed that we were able to control
the SCBG model to generate realistic driving behaviors with desired courtesy
levels. Interestingly, we found that the SCBG model was able to identify
different motion patterns of courteous behaviors according to the scenarios.
- Abstract（参考訳）: 交通シミュレーションは、自動運転計画システムの評価と改善において重要な役割を果たす。
公道に配備された後、自動運転車は異なる社会的好み(利己的あるいは礼儀正しい人間ドライバーなど)を持つ人間の道路参加者と対話する必要がある。
自動運転車が、異なる対話的な交通シナリオにおいて安全かつ効率的な操作を行うことを保証するため、シミュレーション環境で異なる社会的特性を持つ反応性エージェントに対して、自動運転車を評価することができる必要がある。
本研究では,実世界の運転データから学習することで,現実的かつ人間ライクな軌道生成を保証しつつ,生成した軌道の便宜レベルを指定できる社会的制御可能な行動生成(SCBG)モデルを提案する。
具体的には,実世界の運転データから学習した限界的および条件的行動予測モデルを活用して,運転行動の資質を定量化するための新規かつ微分可能な尺度を定式化する。
提案手法により,実世界の運転データからトラジェクトリのオペレーショナルレベルを自動ラベルし,入力されたオペレーショナル値に基づいてSCBGモデル生成トラジェクトリを簡便に訓練することができる。
Waymo Open Motion Dataset (WOMD) 上でSCBGモデルを検討した結果,SCBGモデルを制御して,所望の礼儀正しい運転行動を生成することができた。
興味深いことに、SCBGモデルでは、シナリオによって異なる動きパターンを識別できることが判明した。
関連論文リスト
- Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - BAT: Behavior-Aware Human-Like Trajectory Prediction for Autonomous
Driving [24.123577277806135]
我々は行動認識軌道予測モデル(BAT)を考案した。
我々のモデルは行動認識、相互作用認識、優先度認識、位置認識モジュールから構成される。
次世代シミュレーション(NGSIM)、ハイウェイドローン(HighD)、ラウンドアバウンドドローン(RounD)、マカオコネクテッド自律運転(MoCAD)データセットにおけるBATの性能を評価する。
論文 参考訳（メタデータ） (2023-12-11T13:27:51Z) - 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 Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
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。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
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。
論文 参考訳（メタデータ） (2022-08-26T02:17:54Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - A Hierarchical Pedestrian Behavior Model to Generate Realistic Human
Behavior in Traffic Simulation [11.525073205608681]
本稿では,行動木を用いた階層的歩行者行動モデルを提案する。
私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。
提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
論文 参考訳（メタデータ） (2022-06-01T02:04:38Z) - Transferable and Adaptable Driving Behavior Prediction [34.606012573285554]
本研究では,運転行動に対して高品質で伝達可能で適応可能な予測を生成する階層型フレームワークであるHATNを提案する。
我々は,交差点における実交通データの軌跡予測と,インターActionデータセットからのラウンドアバウンドのタスクにおいて,我々のアルゴリズムを実証する。
論文 参考訳（メタデータ） (2022-02-10T16:46:24Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - 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。