論文の概要: RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios

• arxiv url: http://arxiv.org/abs/2312.13303v2
• Date: Tue, 13 Aug 2024 17:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 23:04:59.224828
• Title: RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios
• Title（参考訳）: RealGen: 制御可能なトラフィックシナリオのための検索拡張生成
• Authors: Wenhao Ding, Yulong Cao, Ding Zhao, Chaowei Xiao, Marco Pavone,
• Abstract要約: RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
• 参考スコア（独自算出の注目度）: 58.62407014256686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation plays a crucial role in the development of autonomous vehicles (AVs) due to the potential risks associated with real-world testing. Although significant progress has been made in the visual aspects of simulators, generating complex behavior among agents remains a formidable challenge. It is not only imperative to ensure realism in the scenarios generated but also essential to incorporate preferences and conditions to facilitate controllable generation for AV training and evaluation. Traditional methods, mainly relying on memorizing the distribution of training datasets, often fall short in generating unseen scenarios. Inspired by the success of retrieval augmented generation in large language models, we present RealGen, a novel retrieval-based in-context learning framework for traffic scenario generation. RealGen synthesizes new scenarios by combining behaviors from multiple retrieved examples in a gradient-free way, which may originate from templates or tagged scenarios. This in-context learning framework endows versatile generative capabilities, including the ability to edit scenarios, compose various behaviors, and produce critical scenarios. Evaluations show that RealGen offers considerable flexibility and controllability, marking a new direction in the field of controllable traffic scenario generation. Check our project website for more information: https://realgen.github.io.
• Abstract（参考訳）: シミュレーションは、現実世界のテストに関連する潜在的なリスクのために、自動運転車(AV)の開発において重要な役割を果たす。 シミュレータの視覚面では大きな進歩があったが、エージェント間の複雑な振る舞いを生成することは、依然として非常に難しい課題である。 シナリオ生成における現実性を保証することが必須であるだけでなく、AVトレーニングと評価のための制御可能な生成を容易にするために、嗜好と条件を取り入れることも不可欠である。 トレーニングデータセットの分布を覚えることに主に依存する従来の手法は、目に見えないシナリオを生成するのに不足することが多い。 大規模言語モデルにおける検索拡張生成の成功に触発されて,交通シナリオ生成のための新しい検索ベースのインコンテキスト学習フレームワークであるRealGenを提案する。 RealGenは、テンプレートやタグ付けされたシナリオから派生した、勾配のない方法で、複数の検索された例の振る舞いを組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオの編集、さまざまな振る舞いの作成、重要なシナリオの生成など、多種多様な生成機能を提供する。 評価によると、RealGenは、制御可能なトラフィックシナリオ生成の分野における新しい方向性を示す、かなりの柔軟性と制御性を提供する。 詳しくはプロジェクトのWebサイトをご覧ください。

関連論文リスト

• InTraGen: Trajectory-controlled Video Generation for Object Interactions [100.79494904451246]
  InTraGenは、オブジェクトインタラクションシナリオのトラジェクトリベースの生成を改善するパイプラインである。 その結果,視覚的忠実度と定量的性能の両面での改善が示された。
  論文  参考訳（メタデータ） (2024-11-25T14:27:50Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Multimodal Large Language Model Driven Scenario Testing for Autonomous Vehicles [6.836108615628114]
  我々はシミュレーション環境で現実的で多様なシナリオを生成するフレームワークであるOmniTesterを提案する。 実験では,3種類の難解かつ複雑なシナリオを生成する上で,我々のアプローチの可制御性とリアリズムを実証した。
  論文  参考訳（メタデータ） (2024-09-10T12:12:09Z)
• CtRL-Sim: Reactive and Controllable Driving Agents with Offline Reinforcement Learning [38.63187494867502]
  CtRL-Simは、リターン条件付きオフライン強化学習(RL)を利用して、リアクティブで制御可能なトラフィックエージェントを効率的に生成する手法である。 CtRL-Simは,エージェントの挙動を詳細に制御しながら,現実的な安全クリティカルシナリオを生成可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-29T02:10:19Z)
• Language Conditioned Traffic Generation [37.71751991840586]
  LCTGenは、トランスフォーマーベースのデコーダアーキテクチャを備えた、大規模な言語モデルである。 初期トラフィック分布と各車両のダイナミックスを生成する。 LCTGenは、非条件と条件付きの両方のトラフィックシーン生成において、リアリズムと忠実さの点で、事前の作業よりも優れています。
  論文  参考訳（メタデータ） (2023-07-16T05:10:32Z)
• TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
  既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。 そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。 また,データ駆動型シミュレータI-Simを開発した。
  論文  参考訳（メタデータ） (2022-03-31T04:48:29Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• 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)
• 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)
• Improving the Generalization of End-to-End Driving through Procedural Generation [35.41368856679809]
  エンドツーエンド運転の一般化をより良く評価し、改善するために、PGDriveと呼ばれるオープンエンド駆動シミュレータをリリースします。 我々は,プロシージャ生成シーンの増加によるトレーニングが,交通密度や道路網の異なるシナリオにおけるエージェントの一般化を著しく改善することを検証する。
  論文  参考訳（メタデータ） (2020-12-26T06:23:14Z)

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。