Fugu-MT 論文翻訳(概要): SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent Diffusion Models

論文の概要: SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent Diffusion Models

arxiv url: http://arxiv.org/abs/2311.15736v1
Date: Mon, 27 Nov 2023 11:39:27 GMT
ステータス: 処理完了
システム内更新日: 2023-11-28 15:30:22.872078
Title: SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent Diffusion Models
Title（参考訳）: SceneDM: 連続拡散モデルを用いたシーンレベルのマルチエージェント軌道生成
Authors: Zhiming Guo, Xing Gao, Jianlan Zhou, Xinyu Cai, Botian Shi
Abstract要約: 本研究では,SceneDMと呼ばれる拡散モデルに基づく新しいフレームワークを提案する。 SceneDMはSim Agents Benchmarkで最先端の結果を得る。
参考スコア（独自算出の注目度）: 10.057312592344507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Realistic scene-level multi-agent motion simulations are crucial for developing and evaluating self-driving algorithms. However, most existing works focus on generating trajectories for a certain single agent type, and typically ignore the consistency of generated trajectories. In this paper, we propose a novel framework based on diffusion models, called SceneDM, to generate joint and consistent future motions of all the agents, including vehicles, bicycles, pedestrians, etc., in a scene. To enhance the consistency of the generated trajectories, we resort to a new Transformer-based network to effectively handle agent-agent interactions in the inverse process of motion diffusion. In consideration of the smoothness of agent trajectories, we further design a simple yet effective consistent diffusion approach, to improve the model in exploiting short-term temporal dependencies. Furthermore, a scene-level scoring function is attached to evaluate the safety and road-adherence of the generated agent's motions and help filter out unrealistic simulations. Finally, SceneDM achieves state-of-the-art results on the Waymo Sim Agents Benchmark. Project webpage is available at https://alperen-hub.github.io/SceneDM.
Abstract（参考訳）: リアルなシーンレベルのマルチエージェントモーションシミュレーションは、自動運転アルゴリズムの開発と評価に不可欠である。しかし、既存の作品の多くは、特定の単一のエージェントタイプに対する軌道生成に焦点を当てており、通常は生成した軌道の一貫性を無視している。本稿では,車,自転車,歩行者などすべてのエージェントがシーン内でジョイントかつ一貫した未来動作を生成するために,シーンdmと呼ばれる拡散モデルに基づく新しい枠組みを提案する。生成した軌道の一貫性を高めるために, 移動拡散の逆過程においてエージェント・エージェント間相互作用を効果的に処理するための新しいトランスベースネットワークを用いる。エージェントトラジェクタの滑らかさを考慮して, 短時間の時間依存性を利用したモデルを改善するために, 単純かつ効果的に一貫した拡散アプローチを更に設計する。さらに、シーンレベルのスコアリング機能を取り付けて、生成されたエージェントの動作の安全性と道順を評価し、非現実的なシミュレーションをフィルタリングする。最後に、SceneDMはWaymo Sim Agents Benchmarkで最先端の結果を得る。 project webpageはhttps://alperen-hub.github.io/scenedmで入手できる。

関連論文リスト

Rolling Ahead Diffusion for Traffic Scene Simulation [13.900806577888861]
現実的な運転シミュレーションでは、NPCは自然運転の振る舞いを模倣するだけでなく、他の模擬エージェントの挙動に反応する。拡散に基づくシナリオ生成の最近の発展は、多様で現実的なトラフィックシナリオの作成に焦点を当てている。両手法の利点を混合した転がり拡散に基づく交通シーン生成モデルを提案する。
論文参考訳（メタデータ） (2025-02-13T18:45:56Z)
Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文参考訳（メタデータ） (2024-12-23T21:27:19Z)
Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文参考訳（メタデータ） (2024-12-11T06:35:18Z)
KiGRAS: Kinematic-Driven Generative Model for Realistic Agent Simulation [17.095651262950568]
軌道生成は自動運転における重要な課題である。最近の研究は自己回帰パラダイムを導入している。実エージェントシミュレーションのためのキネマティック駆動生成モデルを提案する。
論文参考訳（メタデータ） (2024-07-17T18:12:11Z)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
論文参考訳（メタデータ） (2023-10-19T17:59:01Z)
MotionLM: Multi-Agent Motion Forecasting as Language Modeling [15.317827804763699]
マルチエージェント動作予測のための言語モデルであるMotionLMを提案する。本手法は,対話的なスコアリングに先立って個々のエージェントの軌道生成を行う,ポストホック相互作用をバイパスする。モデルの逐次分解は、時間的因果条件のロールアウトを可能にする。
論文参考訳（メタデータ） (2023-09-28T15:46:25Z)
JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for Autonomous Driving [12.460224193998362]
構造化されたグラフィカルモデルの定式化において,エージェント同士の相互作用を直接学習するエンド・ツー・エンドのトレーニング可能なモデルを提案する。提案手法は,単エージェントトラジェクタのトラジェクタとトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタのトラジェクタの性能を向上する。
論文参考訳（メタデータ） (2022-12-16T20:59:21Z)
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)
Exploring Dynamic Context for Multi-path Trajectory Prediction [33.66335553588001]
動的コンテキストネットワーク(DCENet)という新しいフレームワークを提案する。本フレームワークでは,エージェント間の空間的コンテキストを自己注意型アーキテクチャを用いて探索する。学習した空間的時間的文脈に基づいて、各エージェントに対する将来の軌跡のセットを条件付きで予測する。
論文参考訳（メタデータ） (2020-10-30T13:39:20Z)
Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
論文参考訳（メタデータ） (2020-07-06T03:48:08Z)

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。