論文の概要: Imitation with Spatial-Temporal Heatmap: 2nd Place Solution for NuPlan Challenge

• arxiv url: http://arxiv.org/abs/2306.15700v1
• Date: Mon, 26 Jun 2023 19:24:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 17:12:54.899325
• Title: Imitation with Spatial-Temporal Heatmap: 2nd Place Solution for NuPlan Challenge
• Title（参考訳）: 時空間熱マップによる模擬:第2位NuPlanチャレンジの解法
• Authors: Yihan Hu, Kun Li, Pingyuan Liang, Jingyu Qian, Zhening Yang, Haichao Zhang, Wenxin Shao, Zhuangzhuang Ding, Wei Xu, Qiang Liu
• Abstract要約: 本稿では,NuPlan Challenge 2023の2位となるソリューションについて述べる。 我々のアプローチであるImitation with Spatial-Temporal Heatmapは、行動クローニングの学習形式を採用する。 NuPlanコンペティションでは,エゴの進行度と快適度で最高のスコアを得たが,総合スコアは2位となった。
• 参考スコア（独自算出の注目度）: 22.99546388714271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents our 2nd place solution for the NuPlan Challenge 2023. Autonomous driving in real-world scenarios is highly complex and uncertain. Achieving safe planning in the complex multimodal scenarios is a highly challenging task. Our approach, Imitation with Spatial-Temporal Heatmap, adopts the learning form of behavior cloning, innovatively predicts the future multimodal states with a heatmap representation, and uses trajectory refinement techniques to ensure final safety. The experiment shows that our method effectively balances the vehicle's progress and safety, generating safe and comfortable trajectories. In the NuPlan competition, we achieved the second highest overall score, while obtained the best scores in the ego progress and comfort metrics.
• Abstract（参考訳）: 本稿では,nuplan challenge 2023の2位解を提案する。 現実のシナリオにおける自動運転は非常に複雑で不確実である。 複雑なマルチモーダルシナリオで安全な計画を達成することは非常に難しい作業です。 我々のアプローチであるImitation with Space-Temporal Heatmapは、行動クローニングの学習形式を採用し、熱マップ表現による未来のマルチモーダル状態を革新的に予測し、軌道修正技術を用いて最終的な安全性を確保する。 実験は,車両の進行と安全性を効果的にバランスさせ,安全で快適な軌道を生成することを示す。 NuPlanコンペティションでは,エゴの進行度と快適度で最高のスコアを得たが,総合スコアは2位となった。

関連論文リスト

• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
  本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。 我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。 シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
  論文  参考訳（メタデータ） (2024-09-04T16:54:31Z)
• Driving into the Future: Multiview Visual Forecasting and Planning with World Model for Autonomous Driving [56.381918362410175]
  Drive-WMは、既存のエンド・ツー・エンドの計画モデルと互換性のある世界初のドライビングワールドモデルである。 ドライビングシーンで高忠実度マルチビュー映像を生成する。
  論文  参考訳（メタデータ） (2023-11-29T18:59:47Z)
• Parting with Misconceptions about Learning-based Vehicle Motion Planning [30.39229175273061]
  nuPlanは、自動車の運動計画研究の新しい時代を象徴している。 既存のシステムは、両方の要件を同時に満たすのに苦労しています。 本稿では,非常にシンプルで効率的なプランナを提案する。
  論文  参考訳（メタデータ） (2023-06-13T17:57:03Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)
• Time-Efficient Mars Exploration of Simultaneous Coverage and Charging with Multiple Drones [14.160624396972707]
  本稿では,複数のドローンとローバーの協調による火星探査の時間効率向上手法を提案する。 限られたエネルギー、センサーモデル、通信範囲、安全半径を考慮した総合的な枠組みが開発されている。 TIME-SC2の顕著な性能を示すために大規模なシミュレーションが行われた。
  論文  参考訳（メタデータ） (2020-11-16T07:28:37Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)

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。