論文の概要: GAIA-1: A Generative World Model for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2309.17080v1
- Date: Fri, 29 Sep 2023 09:20:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 14:43:32.027451
- Title: GAIA-1: A Generative World Model for Autonomous Driving
- Title(参考訳): GAIA-1:自律運転のための生成的世界モデル
- Authors: Anthony Hu and Lloyd Russell and Hudson Yeo and Zak Murez and George
Fedoseev and Alex Kendall and Jamie Shotton and Gianluca Corrado
- Abstract要約: 本稿では,現実的な運転シナリオを生成する生成的世界モデルであるGAIA-1(Generative AI for Autonomy)を紹介する。
我々のモデルからの創発的特性には、高レベルの構造やシーンダイナミクス、文脈認識、一般化、幾何学の理解などが含まれる。
- 参考スコア(独自算出の注目度): 9.578453700755318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving promises transformative improvements to transportation,
but building systems capable of safely navigating the unstructured complexity
of real-world scenarios remains challenging. A critical problem lies in
effectively predicting the various potential outcomes that may emerge in
response to the vehicle's actions as the world evolves.
To address this challenge, we introduce GAIA-1 ('Generative AI for
Autonomy'), a generative world model that leverages video, text, and action
inputs to generate realistic driving scenarios while offering fine-grained
control over ego-vehicle behavior and scene features. Our approach casts world
modeling as an unsupervised sequence modeling problem by mapping the inputs to
discrete tokens, and predicting the next token in the sequence. Emerging
properties from our model include learning high-level structures and scene
dynamics, contextual awareness, generalization, and understanding of geometry.
The power of GAIA-1's learned representation that captures expectations of
future events, combined with its ability to generate realistic samples,
provides new possibilities for innovation in the field of autonomy, enabling
enhanced and accelerated training of autonomous driving technology.
- Abstract(参考訳): 自動運転は交通の変革的改善を約束するが、現実のシナリオの非構造的な複雑さを安全にナビゲートできるシステムを構築することは依然として難しい。
重要な問題は、世界が進化するにつれて車両の行動に反応して生じる様々な潜在的な結果を効果的に予測することにある。
この課題に対処するために、GAIA-1(Generative AI for Autonomy)は、ビデオ、テキスト、アクション入力を活用して現実的な運転シナリオを生成する。
提案手法では,入力を離散トークンにマッピングし,シーケンス内の次のトークンを予測することで,世界モデリングを教師なしシーケンスモデリング問題として捉えている。
我々のモデルからの創発的特性には、高レベルの構造やシーンダイナミクス、文脈認識、一般化、幾何学の理解などが含まれる。
将来の出来事の期待を捉えたgaia-1の学習表現の力は、現実的なサンプルを生成する能力と相まって、自律性の分野でのイノベーションの新たな可能性をもたらし、自動運転技術の強化と促進を可能にする。
関連論文リスト
- GenAD: Generative End-to-End Autonomous Driving [15.156187566588912]
GenADは、ジェネレーティブモデリング問題に自律運転を組み込むジェネレーティブフレームワークである。
本稿では,まず周囲のシーンをマップ対応のインスタンストークンに変換するインスタンス中心のシーントークン化手法を提案する。
次に、変動型オートエンコーダを用いて、軌道先行モデリングのための構造潜在空間における将来の軌道分布を学習する。
論文 参考訳(メタデータ) (2024-02-18T08:21:05Z) - 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) - Rethinking Integration of Prediction and Planning in Deep Learning-Based
Automated Driving Systems: A Review [62.997667081978825]
最近の研究は、安全で効率的で快適な運転を実現するためには、相互依存のジョイントステップにおける予測と計画の統合が必要であることを示唆している。
我々は、最先端のディープラーニングベースの予測、計画、統合予測と計画モデルについて体系的にレビューする。
論文 参考訳(メタデータ) (2023-08-10T17:53:03Z) - Exploring the Potential of World Models for Anomaly Detection in
Autonomous Driving [11.091582432763738]
自律運転の領域において、世界モデルをどのように活用して異常検出を行うかを示す。
我々は,世界モデルのキャラクタリゼーションを提供し,個々のコンポーネントを異常検出における以前の研究と関連付ける。
論文 参考訳(メタデータ) (2023-08-10T17:04:51Z) - 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) - 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) - Exiting the Simulation: The Road to Robust and Resilient Autonomous
Vehicles at Scale [0.0]
本稿では,自律運転システムの開発に使用されている最先端のシミュレーションフレームワークと方法論について述べる。
自律運転シミュレーションにおける重要な課題の合成について述べる。
論文 参考訳(メタデータ) (2022-10-19T20:32:43Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - 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)
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。