論文の概要: Generative Model-based Simulation of Driver Behavior when Using Control
Input Interface for Teleoperated Driving in Unstructured Canyon Terrains
- arxiv url: http://arxiv.org/abs/2305.09874v1
- Date: Wed, 17 May 2023 01:08:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 18:03:44.748306
- Title: Generative Model-based Simulation of Driver Behavior when Using Control
Input Interface for Teleoperated Driving in Unstructured Canyon Terrains
- Title（参考訳）: 非構造キャニオンにおける遠隔運転における制御入力インタフェースを用いた運転行動生成モデルによるシミュレーション
- Authors: Hyeonggeun Yun, Younggeol Cho, Jinwon Lee, Arim Ha, Jihyeok Yun
- Abstract要約: 従来の研究に基づいて非構造環境を模倣する遠隔操作運転シミュレータを構築した。
次に,条件付き変分オートエンコーダに基づくシミュレーションモデルの設計と実装を行う。
提案した遠隔運転モデルにより,非構造キャニオン地形においてドライバを適切にシミュレートすることで,データを生成することができることを示す。
- 参考スコア（独自算出の注目度）: 3.5698678013121334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unmanned ground vehicles (UGVs) in unstructured environments mostly operate
through teleoperation. To enable stable teleoperated driving in unstructured
environments, some research has suggested driver assistance and evaluation
methods that involve user studies, which can be costly and require lots of time
and effort. A simulation model-based approach has been proposed to complement
the user study; however, the models on teleoperated driving do not account for
unstructured environments. Our proposed solution involves simulation models of
teleoperated driving for drivers that utilize a deep generative model.
Initially, we build a teleoperated driving simulator to imitate unstructured
environments based on previous research and collect driving data from drivers.
Then, we design and implement the simulation models based on a conditional
variational autoencoder (CVAE). Our evaluation results demonstrate that the
proposed teleoperated driving model can generate data by simulating the driver
appropriately in unstructured canyon terrains.
- Abstract（参考訳）: 無人地上車両(UGV)は、主に遠隔操作によって運用される。
非構造化環境で安定した遠隔操作を可能にするために、いくつかの研究は、コストがかかり、多くの時間と労力を要するユーザー研究を伴う運転支援と評価方法を提案している。
シミュレーションモデルに基づくアプローチがユーザ研究を補完するために提案されているが、遠隔運転のモデルは非構造化環境を考慮しない。
提案手法は,深部生成モデルを用いた運転者のための遠隔運転シミュレーションモデルである。
まず,先行研究に基づいて非構造化環境を模倣し,ドライバから運転データを収集するための遠隔操作型運転シミュレータを構築した。
次に,条件付き変分オートエンコーダ(CVAE)に基づくシミュレーションモデルの設計と実装を行う。
提案手法は,非構造キャニオン地形において,ドライバを適切にシミュレートしてデータを生成することができることを示す。
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) - On Transferability of Driver Observation Models from Simulated to Real
Environments in Autonomous Cars [23.514129229090987]
本稿では,シミュレーションから実環境シナリオへの映像に基づく運転観察モデル移行の実現可能性について検討する。
我々は、実際の自律運転条件を特徴とするデータセットを記録し、高い注意をそらす二次活動に従事する7人の参加者を巻き込んだ。
我々のデータセットは、トレーニングソースとして使用されている既存の大規模シミュレータデータセットに従って設計されている。
論文 参考訳（メタデータ） (2023-07-31T10:18:49Z) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:09:49Z) - 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) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - 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) - 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) - A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling through
Particle Filtering [6.9485501711137525]
本稿ではルールベースモデリングとデータ駆動学習を組み合わせた方法論を提案する。
この結果から,我々のハイブリッドルールベースおよびデータ駆動型アプローチに基づくドライバモデルにより,実世界の運転行動を正確に把握できることが示唆された。
論文 参考訳（メタデータ） (2021-08-29T11:07:14Z) - 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)
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。