Fugu-MT 論文翻訳(概要): Automatic Traffic Scenario Conversion from OpenSCENARIO to CommonRoad

論文の概要: Automatic Traffic Scenario Conversion from OpenSCENARIO to CommonRoad

arxiv url: http://arxiv.org/abs/2305.10080v2
Date: Wed, 19 Jul 2023 16:04:44 GMT
ステータス: 処理完了
システム内更新日: 2023-10-24 08:22:36.196092
Title: Automatic Traffic Scenario Conversion from OpenSCENARIO to CommonRoad
Title（参考訳）: OpenSCENARIOからCommonRoadへの自動交通シナリオ変換
Authors: Yuanfei Lin, Michael Ratzel, Matthias Althoff
Abstract要約: 我々はOpenSCENARIOフォーマットからCommonRoadフォーマットへの最初のオープンソースコンバータを提示する。コンバータはシミュレーションツールを用いてOpenSCENARIOで定義された動的要素を実行する。
参考スコア（独自算出の注目度）: 8.017543518311196
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Scenarios are a crucial element for developing, testing, and verifying autonomous driving systems. However, open-source scenarios are often formulated using different terminologies. This limits their usage across different applications as many scenario representation formats are not directly compatible with each other. To address this problem, we present the first open-source converter from the OpenSCENARIO format to the CommonRoad format, which are two of the most popular scenario formats used in autonomous driving. Our converter employs a simulation tool to execute the dynamic elements defined by OpenSCENARIO. The converter is available at commonroad.in.tum.de and we demonstrate its usefulness by converting publicly available scenarios in the OpenSCENARIO format and evaluating them using CommonRoad tools.
Abstract（参考訳）: シナリオは自律運転システムの開発、テスト、検証において重要な要素である。しかし、オープンソースのシナリオは、しばしば異なる用語を使って定式化される。これにより、多くのシナリオ表現形式が互いに直接互換性がないため、異なるアプリケーション間での使用を制限する。この問題に対処するため、我々はOpenSCENARIOフォーマットからCommonRoadフォーマットへの初のオープンソースコンバータを提示する。コンバータはシミュレーションツールを用いてOpenSCENARIOで定義された動的要素を実行する。コンバータはcommonroad.in.tum.deで利用可能であり、OpenSCENARIOフォーマットで公開されているシナリオを変換し、CommonRoadツールを使用してそれらを評価することで、その有用性を示す。

関連論文リスト

Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、複数のセンサの融合を誘導するコンディショントークンを生成する。 MUSESデータセットでは,マルチモーダルパノプティクスセグメンテーションの59.7 PQ,セマンティックセグメンテーションの78.2 mIoU,公開ベンチマークの1位にランクインした。
論文参考訳（メタデータ） (2024-10-14T17:56:20Z)
Scenario-Based Curriculum Generation for Multi-Agent Autonomous Driving [7.277126044624995]
我々は,マルチエージェント交通シナリオフレームワークであるMATS-Gymを導入し,高忠実度運転シミュレータであるCARLAのエージェントを訓練する。本稿では,交通シナリオ記述への既存のアプローチを1つのトレーニングフレームワークに統合し,教師なし環境設計の技術と一体化して適応型オートクラキュラの自動生成を実現する方法について述べる。
論文参考訳（メタデータ） (2024-03-26T15:42:04Z)
Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
論文参考訳（メタデータ） (2023-10-26T17:56:35Z)
ADAPT: Action-aware Driving Caption Transformer [24.3857045947027]
本稿では,自律車体制御と行動の意思決定ステップごとにユーザフレンドリーな自然言語ナレーションと推論を提供する,エンド・ツー・エンドのトランスフォーマー・ベースアーキテクチャであるADAPTを提案する。 BDD-Xデータセットの実験では、自動メトリクスと人的評価の両方でADAPTフレームワークの最先端のパフォーマンスが実証されている。実世界のアプリケーションで提案するフレームワークの実現可能性を説明するために,実車用ビデオの入力を取り入れ,アクションナレーションと推論をリアルタイムで出力する,新しい展開可能なシステムを構築した。
論文参考訳（メタデータ） (2023-02-01T18:59:19Z)
Can Current Task-oriented Dialogue Models Automate Real-world Scenarios in the Wild? [48.79943762731801]
タスク指向対話(TOD)システムは、主にスロット充填ベースのTOD(SF-TOD)フレームワークに基づいている。現在のTODベンチマークは、現実のシナリオをサロゲートするために限られており、現在のTODモデルは、シナリオをカバーするための長い道のりである、と我々は主張する。 WebTODでは、対話システムは、人間のエージェントが対話するWeb/モバイルインターフェースの理解方法を学ぶ。
論文参考訳（メタデータ） (2022-12-20T18:18:41Z)
ML-PersRef: A Machine Learning-based Personalized Multimodal Fusion Approach for Referencing Outside Objects From a Moving Vehicle [0.0]
シミュレーション環境下での長い運転経路を維持しながら、車外物体を参照するための学習に基づくマルチモーダル融合手法を提案する。また,各ドライバに対して適応型パーソナライズシステムを実現するために,参照タスクの完了時にユーザ間の行動差を利用する方法を示す。
論文参考訳（メタデータ） (2021-11-03T16:22:17Z)
Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文参考訳（メタデータ） (2021-04-19T11:48:13Z)
Rethinking Text Line Recognition Models [57.47147190119394]
2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
論文参考訳（メタデータ） (2021-04-15T21:43:13Z)
Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning [0.3683202928838613]
検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
論文参考訳（メタデータ） (2020-05-22T19:00:38Z)
Explicit Domain Adaptation with Loosely Coupled Samples [85.9511585604837]
本稿では,ドメイン間の明示的なマッピングを学習するトランスファーラーニングフレームワークを提案する。その解釈可能性のために、これは自律運転のような安全クリティカルなアプリケーションにとって有益である。
論文参考訳（メタデータ） (2020-04-24T21:23:45Z)

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。