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

• Modeling Language for Scenario Development of Autonomous Driving Systems [1.0625549557437528]
  本研究は,自動車位置図 (CPD) という表記を導入した。 CPDは多数のシナリオの簡潔な表現を可能にし、シナリオ分析と設計に特に適している。 シナリオ列挙のためのツールが実装され、典型的な車の挙動と国際標準の両方で実験が行われる。
  論文  参考訳（メタデータ） (2025-01-16T06:19:55Z)
• Fundamental Risks in the Current Deployment of General-Purpose AI Models: What Have We (Not) Learnt From Cybersecurity? [60.629883024152576]
  大規模言語モデル(LLM)は、幅広いユースケースで急速にデプロイされている。 OpenAIs Alteraは、自律性の向上、データアクセス、実行機能の一例に過ぎない。 これらの方法には、さまざまなサイバーセキュリティ上の課題が伴う。
  論文  参考訳（メタデータ） (2024-12-19T14:44:41Z)
• DriveMM: All-in-One Large Multimodal Model for Autonomous Driving [63.882827922267666]
  DriveMMは、画像やマルチビュービデオなどの多様なデータ入力を処理するために設計された、大規模なマルチモーダルモデルである。 我々は、6つの公開ベンチマークで評価を行い、未確認のデータセットでゼロショット転送を行い、DriveMMはすべてのタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T17:27:32Z)
• OpenAD: Open-World Autonomous Driving Benchmark for 3D Object Detection [47.9080685468069]
  OpenADは3Dオブジェクト検出のための世界初のオープンワールド自動運転ベンチマークである。 OpenADは、マルチモーダル大言語モデル(MLLM)と統合されたコーナーケースの発見とアノテーションパイプライン上に構築されている。
  論文  参考訳（メタデータ） (2024-11-26T01:50:06Z)
• CAFuser: 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、コンディショントークンを生成する。 我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-14T17:56:20Z)
• 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)
• 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。

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。