論文の概要: Adv3D: Generating Safety-Critical 3D Objects through Closed-Loop Simulation

• arxiv url: http://arxiv.org/abs/2311.01446v1
• Date: Thu, 2 Nov 2023 17:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 12:07:37.057521
• Title: Adv3D: Generating Safety-Critical 3D Objects through Closed-Loop Simulation
• Title（参考訳）: Adv3D:クローズドループシミュレーションによる安全臨界3次元物体の生成
• Authors: Jay Sarva, Jingkang Wang, James Tu, Yuwen Xiong, Sivabalan Manivasagam, Raquel Urtasun
• Abstract要約: 自動運転車(SDV)は安全な配置を確保するために、幅広いシナリオで厳格にテストされなければならない。 業界は通常、SDVが合成シナリオと実際のシナリオのコーパスでどのように相互作用するかを評価するためにクローズドループシミュレーションに依存している。 クローズドループにおける完全自律システムの評価と,アクターの形状などのシーンの外観に基づくセンサデータの変動がシステムパフォーマンスに与える影響を理解することが重要である。
• 参考スコア（独自算出の注目度）: 41.24263342397263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-driving vehicles (SDVs) must be rigorously tested on a wide range of scenarios to ensure safe deployment. The industry typically relies on closed-loop simulation to evaluate how the SDV interacts on a corpus of synthetic and real scenarios and verify it performs properly. However, they primarily only test the system's motion planning module, and only consider behavior variations. It is key to evaluate the full autonomy system in closed-loop, and to understand how variations in sensor data based on scene appearance, such as the shape of actors, affect system performance. In this paper, we propose a framework, Adv3D, that takes real world scenarios and performs closed-loop sensor simulation to evaluate autonomy performance, and finds vehicle shapes that make the scenario more challenging, resulting in autonomy failures and uncomfortable SDV maneuvers. Unlike prior works that add contrived adversarial shapes to vehicle roof-tops or roadside to harm perception only, we optimize a low-dimensional shape representation to modify the vehicle shape itself in a realistic manner to degrade autonomy performance (e.g., perception, prediction, and motion planning). Moreover, we find that the shape variations found with Adv3D optimized in closed-loop are much more effective than those in open-loop, demonstrating the importance of finding scene appearance variations that affect autonomy in the interactive setting.
• Abstract（参考訳）: 自動運転車(SDV)は安全な配置を確保するために、幅広いシナリオで厳格にテストされなければならない。 業界は一般的に、SDVが合成シナリオと実際のシナリオのコーパスでどのように相互作用し、適切に動作しているかを評価するためにクローズドループシミュレーションに依存している。 しかし、それらは主にシステムの動作計画モジュールのみをテストし、振る舞いのバリエーションのみを考慮する。 クローズドループにおける完全自律システムの評価と,アクターの形状などのシーンの外観に基づくセンサデータの変動がシステムパフォーマンスに与える影響を理解することが重要である。 本稿では,実世界のシナリオを取り込んで,自律性評価のためのクローズドループセンサシミュレーションを行い,シナリオをより難しいものにする車両形状を見いだし,自律性障害と不快なsdv操作をもたらすフレームワークadv3dを提案する。 車両の屋根上や路傍に対向形を付加して知覚のみを損なう先行作品とは異なり、低次元形状表現を最適化し、車両形状自体を現実的な方法で修正し、自律性能(例えば、知覚、予測、運動計画)を低下させる。 さらに,クローズドループで最適化されたadv3dの形状変化は,オープンループの形状変化よりもはるかに有効であり,対話環境における自律性に影響を与えるシーン出現変動の探索の重要性が示された。

関連論文リスト

• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• CADSim: Robust and Scalable in-the-wild 3D Reconstruction for Controllable Sensor Simulation [44.83732884335725]
  センサシミュレーションでは、車などの交通参加者を高品質な外観と明瞭な幾何学でモデル化する。 現在の再構築アプローチは、その広さとノイズのために、Wildのセンサーデータに苦労している。 本稿では,車体形状を自動再構成するために,CADモデルの小さなセットと微分レンダリングを併用したCADSimを提案する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:59Z)
• UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
  センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。 UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。 動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
  論文  参考訳（メタデータ） (2023-08-03T17:56:06Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
  本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。 再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。 シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2020-11-16T17:16:32Z)
• Modeling Perception Errors towards Robust Decision Making in Autonomous Vehicles [11.503090828741191]
  意思決定サブシステムが堅牢で安全な判断を下すのに十分な認識サブシステムは十分か? 自律システムの挙動に異なる種類の知覚・知覚誤差が与える影響を解析する方法を示す。
  論文  参考訳（メタデータ） (2020-01-31T08:02:14Z)

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。