Fugu-MT 論文翻訳(概要): Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion

論文の概要: Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion

arxiv url: http://arxiv.org/abs/2311.02738v1
Date: Sun, 5 Nov 2023 19:04:25 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 16:00:40.620312
Title: Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion
Title（参考訳）: シナリオ拡散:拡散を伴う制御可能なシナリオ生成
Authors: Ethan Pronovost, Meghana Reddy Ganesina, Noureldin Hendy, Zeyu Wang, Andres Morales, Kai Wang, Nicholas Roy
Abstract要約: 本稿では,制御可能なシナリオ生成が可能なトラフィックシナリオを生成するための,新しい拡散型アーキテクチャを提案する。提案手法は,多様な交通パターンをモデル化し,地理的に異なる領域に一般化するのに十分な表現能力を有することを示す。
参考スコア（独自算出の注目度）: 13.570197934493255
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automated creation of synthetic traffic scenarios is a key part of validating the safety of autonomous vehicles (AVs). In this paper, we propose Scenario Diffusion, a novel diffusion-based architecture for generating traffic scenarios that enables controllable scenario generation. We combine latent diffusion, object detection and trajectory regression to generate distributions of synthetic agent poses, orientations and trajectories simultaneously. To provide additional control over the generated scenario, this distribution is conditioned on a map and sets of tokens describing the desired scenario. We show that our approach has sufficient expressive capacity to model diverse traffic patterns and generalizes to different geographical regions.
Abstract（参考訳）: 合成交通シナリオの自動作成は、自動運転車(AV)の安全性を検証する重要な部分である。本稿では,制御可能なシナリオ生成を実現するための,新しい拡散型アーキテクチャであるScenario Diffusionを提案する。本研究では, 潜在拡散, 物体検出, 軌道回帰を組み合わせることで, 合成剤のポーズ, 方向, 軌跡の分布を同時に生成する。生成されたシナリオを制御し、この分布を所望のシナリオを記述するトークンの集合とマップに条件付けする。本手法は,多様な交通パターンをモデル化し,異なる地理的領域に一般化するのに十分な表現能力を有することを示す。

関連論文リスト

Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文参考訳（メタデータ） (2024-11-25T16:38:17Z)
UniGen: Unified Modeling of Initial Agent States and Trajectories for Generating Autonomous Driving Scenarios [32.49058188310724]
UniGenは、シミュレーションによって新しいトラフィックシナリオを生成する新しいアプローチである。共有グローバルシナリオの埋め込みからこれらの変数の分布を予測することで、最終的なシナリオが既存のシーンで利用可能なすべてのコンテキストで完全に条件付けられていることを保証します。
論文参考訳（メタデータ） (2024-05-06T19:31:25Z)
SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文参考訳（メタデータ） (2023-12-31T04:14:43Z)
Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
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。
論文参考訳（メタデータ） (2023-10-26T20:51:24Z)
A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
論文参考訳（メタデータ） (2023-09-21T22:10:20Z)
Generating Driving Scenes with Diffusion [4.280988599118117]
我々は、拡散と物体検出の新たな組み合わせを用いて、エージェントの離散的有界箱の現実的かつ物理的に妥当な配置を作成する。我々のシーン生成モデルは、米国内の異なる地域に対応できることを示し、各地域の複雑さを捉えるシナリオを生成する。
論文参考訳（メタデータ） (2023-05-29T04:03:46Z)
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)
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)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
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)

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。