論文の概要: Transfusor: Transformer Diffusor for Controllable Human-like Generation
of Vehicle Lane Changing Trajectories
- arxiv url: http://arxiv.org/abs/2308.14943v1
- Date: Mon, 28 Aug 2023 23:50:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:19:32.301942
- Title: Transfusor: Transformer Diffusor for Controllable Human-like Generation
of Vehicle Lane Changing Trajectories
- Title（参考訳）: トランスフューザー:車線変更軌道の制御可能な人型生成のためのトランスフォーマーディフューザ
- Authors: Jiqian Dong, Sikai Chen, Samuel Labi
- Abstract要約: 仮想シミュレーションテスト(VST)は、自律運転システム(ADS)と先進運転支援システム(ADAS)のテストにおいて顕著なアプローチとなっている。
ADSとADASの安全性と信頼性を高めるために、VSTでより柔軟で高忠実なテストシナリオを作成する必要がある。
本稿では,トランスフューザモデルを提案する。トランスフューザモデルとディフューザモデル(最先端2つのディープラーニング生成技術)を利用する。
- 参考スコア（独自算出の注目度）: 0.3314882635954752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With ongoing development of autonomous driving systems and increasing desire
for deployment, researchers continue to seek reliable approaches for ADS
systems. The virtual simulation test (VST) has become a prominent approach for
testing autonomous driving systems (ADS) and advanced driver assistance systems
(ADAS) due to its advantages of fast execution, low cost, and high
repeatability. However, the success of these simulation-based experiments
heavily relies on the realism of the testing scenarios. It is needed to create
more flexible and high-fidelity testing scenarios in VST in order to increase
the safety and reliabilityof ADS and ADAS.To address this challenge, this paper
introduces the "Transfusor" model, which leverages the transformer and diffusor
models (two cutting-edge deep learning generative technologies). The primary
objective of the Transfusor model is to generate highly realistic and
controllable human-like lane-changing trajectories in highway scenarios.
Extensive experiments were carried out, and the results demonstrate that the
proposed model effectively learns the spatiotemporal characteristics of humans'
lane-changing behaviors and successfully generates trajectories that closely
mimic real-world human driving. As such, the proposed model can play a critical
role of creating more flexible and high-fidelity testing scenarios in the VST,
ultimately leading to safer and more reliable ADS and ADAS.
- Abstract（参考訳）: 自律運転システムの継続的な開発と展開への欲求の高まりにより、研究者はADSシステムの信頼性の高いアプローチを模索し続けている。
仮想シミュレーションテスト(VST)は、高速実行、低コスト、高再現性という利点から、自律運転システム(ADS)と先進運転支援システム(ADAS)のテストにおいて顕著なアプローチとなっている。
しかし、これらのシミュレーションに基づく実験の成功は、テストシナリオの現実主義に大きく依存している。
広告とadasの安全性と信頼性を高めるために、vstでより柔軟で高忠実なテストシナリオを作成する必要がある。この課題に対処するために、本論文ではトランスフォーマーとディフューザーモデル(2つの最先端ディープラーニング生成技術)を活用する「トランスファソル」モデルを紹介する。
トランスファソルモデルの主な目的は、高速道路のシナリオにおいて、高度にリアルで制御可能な車線変更軌道を生成することである。
その結果,提案モデルが人間の車線変更行動の時空間的特性を効果的に学習し,実世界の運転を忠実に模倣した軌道生成に成功した。
したがって、提案したモデルは、VSTにおけるより柔軟で高忠実なテストシナリオを作成する上で重要な役割を果たすことができ、最終的にはより安全で信頼性の高いADSとADASにつながる。
関連論文リスト
- AdvDiffuser: Generating Adversarial Safety-Critical Driving Scenarios via Guided Diffusion [6.909801263560482]
AdvDiffuserは、ガイド付き拡散を通じて安全クリティカルな運転シナリオを生成するための敵対的なフレームワークである。
本稿では,AdvDiffuserが最小限のウォームアップエピソードデータを持つ様々なテストシステムに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-11T02:03:21Z) - Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。
本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
論文 参考訳（メタデータ） (2024-08-06T13:58:56Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:09:49Z) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳（メタデータ） (2023-03-27T02:55:56Z) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Isolating and Leveraging Controllable and Noncontrollable Visual
Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。
まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。
第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文 参考訳（メタデータ） (2022-05-27T08:07:39Z) - 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)
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。