論文の概要: On Transferability of Driver Observation Models from Simulated to Real Environments in Autonomous Cars

• arxiv url: http://arxiv.org/abs/2307.16543v1
• Date: Mon, 31 Jul 2023 10:18:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 14:59:15.745772
• Title: On Transferability of Driver Observation Models from Simulated to Real Environments in Autonomous Cars
• Title（参考訳）: 自律走行車におけるシミュレーションから実環境へのドライバ観測モデルの伝達性について
• Authors: Walter Morales-Alvarez, Novel Certad, Alina Roitberg, Rainer Stiefelhagen and Cristina Olaverri-Monreal
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.514129229090987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For driver observation frameworks, clean datasets collected in controlled simulated environments often serve as the initial training ground. Yet, when deployed under real driving conditions, such simulator-trained models quickly face the problem of distributional shifts brought about by changing illumination, car model, variations in subject appearances, sensor discrepancies, and other environmental alterations. This paper investigates the viability of transferring video-based driver observation models from simulation to real-world scenarios in autonomous vehicles, given the frequent use of simulation data in this domain due to safety issues. To achieve this, we record a dataset featuring actual autonomous driving conditions and involving seven participants engaged in highly distracting secondary activities. To enable direct SIM to REAL transfer, our dataset was designed in accordance with an existing large-scale simulator dataset used as the training source. We utilize the Inflated 3D ConvNet (I3D) model, a popular choice for driver observation, with Gradient-weighted Class Activation Mapping (Grad-CAM) for detailed analysis of model decision-making. Though the simulator-based model clearly surpasses the random baseline, its recognition quality diminishes, with average accuracy dropping from 85.7% to 46.6%. We also observe strong variations across different behavior classes. This underscores the challenges of model transferability, facilitating our research of more robust driver observation systems capable of dealing with real driving conditions.
• Abstract（参考訳）: ドライバ監視フレームワークでは、制御されたシミュレーション環境で収集されたクリーンデータセットが、最初のトレーニンググラウンドとして機能することが多い。 しかし,実際の運転条件下での展開では,照明や自動車モデル,被写体外観の変化,センサの相違,その他の環境変化によって生じる分布変化の問題に,シミュレータ学習モデルが急速に直面する。 本稿では,安全上の問題からシミュレーションデータの利用が頻繁であることを踏まえ,シミュレーションから現実のシナリオへ映像ベースのドライバ観察モデルを転送する可能性について検討する。 そこで,本研究では,自律運転の実態を特徴とするデータセットを収集し,注意をそそるセカンダリ活動に携わる7名の参加者を対象とする。 SIMからREALへの直接転送を可能にするため,既存の大規模シミュレータデータセットをトレーニングソースとして使用した。 運転者の観察によく用いられる3d convnet (i3d) モデルを用い,gradle-weighted class activation mapping (grad-cam) を用いてモデル意思決定の詳細な分析を行った。 シミュレータベースのモデルは明らかにランダムなベースラインを超えているが、認識品質は低下し、平均精度は85.7%から46.6%に低下した。 また、異なる行動クラスにまたがる強い変動も観察する。 これにより、モデル転送可能性の課題が浮き彫りになり、実際の運転条件に対処できるより堅牢な運転観察システムの研究が促進される。

関連論文リスト

• An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
  オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。 本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T23:24:27Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• 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)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• 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)
• Predicting Take-over Time for Autonomous Driving with Real-World Data: Robust Data Augmentation, Models, and Evaluation [11.007092387379076]
  我々は、運転者向けカメラビューで動作するコンピュータビジョンアルゴリズムによって作成される中高レベルの機能で動作するテイクオーバー時間(TOT)モデルを開発し、訓練する。 拡張データでサポートされたTOTモデルを用いて,遅延なく連続的なテイクオーバー時間を推定できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T16:39:50Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• 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)
• SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
  本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。 我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:22:01Z)

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。