Fugu-MT 論文翻訳(概要): Generating Driving Scenes with Diffusion

論文の概要: Generating Driving Scenes with Diffusion

arxiv url: http://arxiv.org/abs/2305.18452v1
Date: Mon, 29 May 2023 04:03:46 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 20:54:57.248619
Title: Generating Driving Scenes with Diffusion
Title（参考訳）: 拡散による運転シーンの生成
Authors: Ethan Pronovost, Kai Wang, Nick Roy
Abstract要約: 我々は、拡散と物体検出の新たな組み合わせを用いて、エージェントの離散的有界箱の現実的かつ物理的に妥当な配置を作成する。我々のシーン生成モデルは、米国内の異なる地域に対応できることを示し、各地域の複雑さを捉えるシナリオを生成する。
参考スコア（独自算出の注目度）: 4.280988599118117
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper we describe a learned method of traffic scene generation designed to simulate the output of the perception system of a self-driving car. In our "Scene Diffusion" system, inspired by latent diffusion, we use a novel combination of diffusion and object detection to directly create realistic and physically plausible arrangements of discrete bounding boxes for agents. We show that our scene generation model is able to adapt to different regions in the US, producing scenarios that capture the intricacies of each region.
Abstract（参考訳）: 本稿では、自動運転車の知覚システムの出力をシミュレートするために設計された交通シーン生成の学習手法について述べる。潜伏拡散に触発されたscene diffusionシステムでは,拡散と物体検出の新たな組み合わせを用いて,エージェントの離散境界ボックスの現実的かつ物理的に妥当な配置を直接生成する。私たちのシーン生成モデルは、米国の異なる領域に適応できることを示し、各地域の複雑さを捉えたシナリオを生成します。

関連論文リスト

DragTraffic: Interactive and Controllable Traffic Scene Generation for Autonomous Driving [10.90477019946728]
DragTrafficは、条件付き拡散に基づく、汎用的でインタラクティブで制御可能なトラフィックシーン生成フレームワークである。我々は回帰モデルを用いて、一般的な初期解と条件拡散モデルに基づく改良プロセスを提供し、多様性を保証する。実世界の運転データセットの実験によると、DragTrafficは信頼性、多様性、自由度で既存の手法より優れている。
論文参考訳（メタデータ） (2024-04-19T04:49:28Z)
WcDT: World-centric Diffusion Transformer for Traffic Scene Generation [13.616763172038846]
本稿では,拡散確率モデルと変圧器の相補的強度を利用して,自律走行軌道生成のための新しい手法を提案する。提案するフレームワークは,WcDT(World-Centric Diffusion Transformer)と呼ばれ,軌道生成過程全体を最適化する。提案手法は,現実的かつ多様な軌道を生成する上で,優れた性能を示すことを示す。
論文参考訳（メタデータ） (2024-04-02T16:28:41Z)
Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion [13.570197934493255]
本稿では,制御可能なシナリオ生成が可能なトラフィックシナリオを生成するための,新しい拡散型アーキテクチャを提案する。提案手法は,多様な交通パターンをモデル化し,地理的に異なる領域に一般化するのに十分な表現能力を有することを示す。
論文参考訳（メタデータ） (2023-11-05T19:04:25Z)
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)
A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
論文参考訳（メタデータ） (2023-09-21T22:10:20Z)
DriveDreamer: Towards Real-world-driven World Models for Autonomous Driving [76.24483706445298]
実世界の運転シナリオから完全に派生した世界モデルであるDriveDreamerを紹介する。最初の段階では、DriveDreamerは構造化されたトラフィックの制約を深く理解し、次の段階では将来の状態を予測できる。 DriveDreamerは、現実的で合理的な運転ポリシーの生成を可能にし、インタラクションと実用的なアプリケーションのための道を開く。
論文参考訳（メタデータ） (2023-09-18T13:58:42Z)
Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory Diffusion [83.88829943619656]
本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
論文参考訳（メタデータ） (2023-04-04T15:46:42Z)
Learning Continuous Environment Fields via Implicit Functions [144.4913852552954]
本研究では,到達距離(シーン内の任意の位置から目標までの距離)を,実現可能な軌道に沿って符号化する新しいシーン表現を提案する。本研究では,2次元迷路や屋内3次元シーンにおけるエージェントの動的挙動を直接導出できることを実証する。
論文参考訳（メタデータ） (2021-11-27T22:36:58Z)
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)
SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
論文参考訳（メタデータ） (2021-01-16T22:51:43Z)

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。