論文の概要: Graph Convolutional Networks for Complex Traffic Scenario Classification
- arxiv url: http://arxiv.org/abs/2310.17773v1
- Date: Thu, 26 Oct 2023 20:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 15:35:24.928928
- Title: Graph Convolutional Networks for Complex Traffic Scenario Classification
- Title（参考訳）: 複雑な交通シナリオ分類のためのグラフ畳み込みネットワーク
- Authors: Tobias Hoek, Holger Caesar, Andreas Falkov\'en, Tommy Johansson
- Abstract要約: シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。
シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。
本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
- 参考スコア（独自算出の注目度）: 0.7919810878571297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A scenario-based testing approach can reduce the time required to obtain
statistically significant evidence of the safety of Automated Driving Systems
(ADS). Identifying these scenarios in an automated manner is a challenging
task. Most methods on scenario classification do not work for complex scenarios
with diverse environments (highways, urban) and interaction with other traffic
agents. This is mirrored in their approaches which model an individual vehicle
in relation to its environment, but neglect the interaction between multiple
vehicles (e.g. cut-ins, stationary lead vehicle). Furthermore, existing
datasets lack diversity and do not have per-frame annotations to accurately
learn the start and end time of a scenario. We propose a method for complex
traffic scenario classification that is able to model the interaction of a
vehicle with the environment, as well as other agents. We use Graph
Convolutional Networks to model spatial and temporal aspects of these
scenarios. Expanding the nuScenes and Argoverse 2 driving datasets, we
introduce a scenario-labeled dataset, which covers different driving
environments and is annotated per frame. Training our method on this dataset,
we present a promising baseline for future research on per-frame complex
scenario classification.
- Abstract（参考訳）: シナリオベースのテストアプローチは、自動走行システム(ads)の安全性の統計的に有意な証拠を得るのに要する時間を削減できる。
これらのシナリオを自動化して識別することは難しい作業です。
シナリオ分類のほとんどの方法は、様々な環境(ハイウェイ、都市)と他のトラフィックエージェントとの相互作用を伴う複雑なシナリオでは機能しない。
これは、個々の車両を環境に関してモデル化するアプローチに反映されるが、複数の車両(例えば、カットイン、静止誘導車両)間の相互作用を無視する。
さらに、既存のデータセットには多様性がなく、シナリオの開始と終了を正確に学習するフレーム単位のアノテーションがない。
本研究では,車両と環境の相互作用をモデル化する複雑な交通シナリオ分類手法を提案する。
グラフ畳み込みネットワークを用いて,これらのシナリオの空間的および時間的側面をモデル化する。
nuScenesとArgoverse 2の駆動データセットを拡張し、異なる駆動環境をカバーするシナリオラベル付きデータセットを導入し、フレーム毎に注釈を付ける。
このデータセット上で本手法を訓練し,フレーム単位の複雑なシナリオ分類の今後の研究に期待できるベースラインを示す。
関連論文リスト
- Causality-based Transfer of Driving Scenarios to Unseen Intersections [0.0]
シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。
現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。
本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T15:38:18Z) - VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation [18.897103921181255]
交通自動化のためのインテリジェントシステムを備えた車両のシナリオエンジニアリングを行うためのVistaScenarioフレームワークを提案する。
要約された車種間相互作用に基づいて、シナリオ進化ツリーを介してシナリオデータストリームをセグメントに分割する。
また,グラフツリーとダイナミック・タイム・ウォーピングに基づくシナリオ・メトリック・グラフ-DTWを提案し,シナリオ比較とラベル付けを行う。
論文 参考訳（メタデータ） (2024-02-12T15:34:04Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - 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) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Deep Representation Learning and Clustering of Traffic Scenarios [0.0]
トラフィックシーンの遅延表現を学習する2つのデータ駆動自動符号化モデルを導入する。
本稿では,遅延シナリオの埋め込みがトラフィックシナリオのクラスタリングや類似性検索にどのように使用できるかを示す。
論文 参考訳（メタデータ） (2020-07-15T15:12:23Z) - MCENET: Multi-Context Encoder Network for Homogeneous Agent Trajectory
Prediction in Mixed Traffic [35.22312783822563]
都市混合交通圏における軌道予測は多くのインテリジェント交通システムにとって重要である。
本稿では,過去と未来の両方のシーンコンテキストを符号化して学習するマルチコンテキストネットワーク(MCENET)を提案する。
推定時間において,対象エージェントの過去の状況と動作情報と潜伏変数のサンプリングを組み合わせ,複数の現実的軌跡を予測する。
論文 参考訳（メタデータ） (2020-02-14T11:04:41Z)
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。