論文の概要: Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research

• arxiv url: http://arxiv.org/abs/2310.08710v1
• Date: Thu, 12 Oct 2023 20:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 15:45:03.016848
• Title: Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research
• Title（参考訳）: waymax:大規模自動運転研究のための加速データ駆動シミュレータ
• Authors: Cole Gulino, Justin Fu, Wenjie Luo, George Tucker, Eli Bronstein, Yiren Lu, Jean Harb, Xinlei Pan, Yan Wang, Xiangyu Chen, John D. Co-Reyes, Rishabh Agarwal, Rebecca Roelofs, Yao Lu, Nico Montali, Paul Mougin, Zoey Yang, Brandyn White, Aleksandra Faust, Rowan McAllister, Dragomir Anguelov, Benjamin Sapp
• Abstract要約: Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
• 参考スコア（独自算出の注目度）: 76.93956925360638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation is an essential tool to develop and benchmark autonomous vehicle planning software in a safe and cost-effective manner. However, realistic simulation requires accurate modeling of nuanced and complex multi-agent interactive behaviors. To address these challenges, we introduce Waymax, a new data-driven simulator for autonomous driving in multi-agent scenes, designed for large-scale simulation and testing. Waymax uses publicly-released, real-world driving data (e.g., the Waymo Open Motion Dataset) to initialize or play back a diverse set of multi-agent simulated scenarios. It runs entirely on hardware accelerators such as TPUs/GPUs and supports in-graph simulation for training, making it suitable for modern large-scale, distributed machine learning workflows. To support online training and evaluation, Waymax includes several learned and hard-coded behavior models that allow for realistic interaction within simulation. To supplement Waymax, we benchmark a suite of popular imitation and reinforcement learning algorithms with ablation studies on different design decisions, where we highlight the effectiveness of routes as guidance for planning agents and the ability of RL to overfit against simulated agents.
• Abstract（参考訳）: シミュレーションは、自動運転車計画ソフトウェアを安全かつ費用対効果で開発し、ベンチマークするために必要なツールである。 しかし、現実的なシミュレーションには、ニュアンスと複雑なマルチエージェント対話行動の正確なモデリングが必要である。 これらの課題に対処するために,大規模シミュレーションとテスト用に設計された,マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータであるWaymaxを紹介した。 Waymaxは、公開リリースの現実世界の運転データ(例えばWaymo Open Motion Dataset)を使用して、さまざまなマルチエージェントシミュレーションシナリオを初期化または再生する。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートするため、現代の大規模分散機械学習ワークフローに適している。 オンライントレーニングと評価をサポートするため、Waymaxには、シミュレーション内で現実的なインタラクションを可能にする、学習とハードコーディングの動作モデルがいくつか含まれている。 Waymaxを補完するために、一般的な模倣と強化学習アルゴリズムをベンチマークし、異なる設計決定に関するアブレーション研究を行い、計画エージェントのガイダンスとしてルートの有効性とシミュレーションエージェントに対して過度に適合するRLの有効性を強調した。

関連論文リスト

• Solving Motion Planning Tasks with a Scalable Generative Model [15.858076912795621]
  本稿では,運転シーンのダイナミクスを学習する生成モデルに基づく効率的な解を提案する。 我々の革新的なデザインは、モデルがフルオートレグレッシブモードとパーシャルオートレグレッシブモードの両方で動作できるようにする。 提案した生成モデルは,様々な動作計画タスクの基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-07-03T03:57:05Z)
• CityFlowER: An Efficient and Realistic Traffic Simulator with Embedded Machine Learning Models [25.567208505574072]
  CityFlowERは、効率的で現実的な都市交通シミュレーションのための高度なシミュレータである。 シミュレータ内に機械学習モデルが組み込まれており、外部APIインタラクションの必要がなくなる。 これは、特に大規模なシミュレーションにおいて、非並列な柔軟性と効率を提供する。
  論文  参考訳（メタデータ） (2024-02-09T01:19:41Z)
• 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)
• 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)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
  データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
  論文  参考訳（メタデータ） (2022-08-26T02:17:54Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)

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。