論文の概要: Data-driven Traffic Simulation: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2310.15975v2
• Date: Thu, 23 Nov 2023 07:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 02:49:37.071714
• Title: Data-driven Traffic Simulation: A Comprehensive Review
• Title（参考訳）: データ駆動交通シミュレーション:総括的レビュー
• Authors: Di Chen, Meixin Zhu, Hao Yang, Xuesong Wang, Yinhai Wang
• Abstract要約: データ駆動型微視的交通シミュレーションは、自律走行テストにとって重要なツールとなっている。 本稿では、データ駆動交通シミュレーションの一般的な問題を紹介し、重要な概念と用語を概説する。 そこで本研究では,模倣学習,強化学習,深層生成,深層学習を総合的に評価する。
• 参考スコア（独自算出の注目度）: 26.69987598795778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) have the potential to significantly revolutionize society by providing a secure and efficient mode of transportation. Recent years have witnessed notable advancements in autonomous driving perception and prediction, but the challenge of validating the performance of AVs remains largely unresolved. Data-driven microscopic traffic simulation has become an important tool for autonomous driving testing due to 1) availability of high-fidelity traffic data; 2) its advantages of enabling large-scale testing and scenario reproducibility; and 3) its potential in reactive and realistic traffic simulation. However, a comprehensive review of this topic is currently lacking. This paper aims to fill this gap by summarizing relevant studies. The primary objective of this paper is to review current research efforts and provide a futuristic perspective that will benefit future developments in the field. It introduces the general issues of data-driven traffic simulation and outlines key concepts and terms. After overviewing traffic simulation, various datasets and evaluation metrics commonly used are reviewed. The paper then offers a comprehensive evaluation of imitation learning, reinforcement learning, deep generative and deep learning methods, summarizing each and analyzing their advantages and disadvantages in detail. Moreover, it evaluates the state-of-the-art, existing challenges, and future research directions.
• Abstract（参考訳）: 自動運転車(avs)は安全で効率的な交通手段を提供することで社会を大きく変革する可能性を秘めている。 近年、自律運転の認識と予測において顕著な進歩が見られるが、AVの性能を検証するという課題はほとんど解決されていない。 データ駆動型微視的交通シミュレーションは自動運転テストにとって重要なツールとなった 1) 高忠実度交通データの提供 2)大規模テストとシナリオ再現性の実現のメリット 3)反応的かつ現実的な交通シミュレーションの可能性。 しかし、現在このトピックに関する包括的なレビューは欠落している。 本稿では,このギャップを埋めるために関連する研究を要約する。 本稿の目的は,現在の研究成果を概観し,この分野の今後の発展に資する未来的視点を提供することである。 データ駆動トラフィックシミュレーションの一般的な問題を紹介し、重要な概念と用語を概説する。 トラヒックシミュレーションを概観した後、一般的に使用される様々なデータセットと評価メトリクスをレビューする。 そこで本研究では,模倣学習,強化学習,深層生成学習,深層学習を総合的に評価し,それぞれを要約し,その利点と欠点を詳細に分析する。 さらに、最先端、既存の課題、そして将来の研究方向性を評価する。

関連論文リスト

• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• Adversary ML Resilience in Autonomous Driving Through Human Centered Perception Mechanisms [0.0]
  本稿では,3つの物理的攻撃(テープ,落書き,照明)に対する自律走行システムのレジリエンスについて検討する。 攻撃に対する堅牢性を構築するために、敵の訓練や移動学習のような防御技術が導入された。 その結果,道路標識分類の一般化性を向上させるために,形状訓練から得られる知識を付与することにより,伝達学習モデルが性能において重要な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T04:11:45Z)
• 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)
• Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey [9.385936248154987]
  エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。 エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。 本稿では,最先端の評価,課題の特定,今後の可能性を探る。
  論文  参考訳（メタデータ） (2023-07-10T07:00:06Z)
• Data and Knowledge for Overtaking Scenarios in Autonomous Driving [0.0]
  オーバーテイク・エクササイズは、運転において最も重要な行動の1つである。 文献で利用できる作業量にもかかわらず、ほんの少しの操作しか処理できない。 この研究は、この領域に寄与し、新たな合成データセットを提示する。
  論文  参考訳（メタデータ） (2023-05-30T21:27:05Z)
• 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)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• 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)
• Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions [32.25707921285397]
  本稿では,複数の観点からの交通予測における深層学習に基づくアプローチに関する包括的調査を行う。 まず,既存の交通予測手法を要約し,分類について述べる。 第2に、異なるトラフィック予測アプリケーションにおける最先端のアプローチをリストアップする。
  論文  参考訳（メタデータ） (2020-04-18T08:28:10Z)

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。