論文の概要: Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion
- arxiv url: http://arxiv.org/abs/2401.00391v1
- Date: Sun, 31 Dec 2023 04:14:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 17:43:02.545745
- Title: Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion
- Title(参考訳): 誘導拡散による安全臨界閉ループ交通シミュレーション
- Authors: Wei-Jer Chang, Francesco Pittaluga, Masayoshi Tomizuka, Wei Zhan,
Manmohan Chandraker
- Abstract要約: 誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
- 参考スコア(独自算出の注目度): 100.4988219600854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evaluating the performance of autonomous vehicle planning algorithms
necessitates simulating long-tail traffic scenarios. Traditional methods for
generating safety-critical scenarios often fall short in realism and
controllability. Furthermore, these techniques generally neglect the dynamics
of agent interactions. To mitigate these limitations, we introduce a novel
closed-loop simulation framework rooted in guided diffusion models. Our
approach yields two distinct advantages: 1) the generation of realistic
long-tail scenarios that closely emulate real-world conditions, and 2) enhanced
controllability, enabling more comprehensive and interactive evaluations. We
achieve this through novel guidance objectives that enhance road progress while
lowering collision and off-road rates. We develop a novel approach to simulate
safety-critical scenarios through an adversarial term in the denoising process,
which allows the adversarial agent to challenge a planner with plausible
maneuvers, while all agents in the scene exhibit reactive and realistic
behaviors. We validate our framework empirically using the NuScenes dataset,
demonstrating improvements in both realism and controllability. These findings
affirm that guided diffusion models provide a robust and versatile foundation
for safety-critical, interactive traffic simulation, extending their utility
across the broader landscape of autonomous driving. For additional resources
and demonstrations, visit our project page at https://safe-sim.github.io.
- Abstract(参考訳): 自動運転車計画アルゴリズムの性能を評価するには、長距離交通シナリオをシミュレートする必要がある。
安全クリティカルなシナリオを生成する従来の方法は、現実主義と制御性に欠けることが多い。
さらに、これらの手法は一般にエージェント相互作用のダイナミクスを無視している。
これらの制約を緩和するために, 誘導拡散モデルに根ざした閉ループシミュレーションフレームワークを提案する。
私たちのアプローチは2つの異なる利点をもたらします
1)現実世界の状況を密にエミュレートする現実的なロングテールシナリオの生成
2)制御性の向上,より包括的かつインタラクティブな評価の実現。
我々は、衝突率とオフロード率を下げながら、道路の進行を促進する新しい誘導目標によりこれを達成する。
提案手法では, 現場のすべてのエージェントが反応的かつ現実的な行動を示す一方で, 敵エージェントがプランナーに対して, 合理的な操作で挑戦することを可能にする。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
これらの結果は、誘導拡散モデルが安全クリティカルでインタラクティブな交通シミュレーションのためのロバストで多用途な基盤を提供し、その有用性が自動運転の広い景観に拡がっていることを裏付ける。
追加のリソースやデモについては、https://safe-sim.github.io.orgのプロジェクトページを参照してください。
関連論文リスト
- Tractable Joint Prediction and Planning over Discrete Behavior Modes for
Urban Driving [15.671811785579118]
自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。
離散潜在モード上での完全反応性閉ループ計画を提案する。
当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
論文 参考訳(メタデータ) (2024-03-12T01:00:52Z) - 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) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。
まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。
次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文 参考訳(メタデータ) (2023-06-10T05:20:30Z) - Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。
データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。
本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
論文 参考訳(メタデータ) (2022-10-31T14:44:59Z) - Isolating and Leveraging Controllable and Noncontrollable Visual
Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。
まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。
第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文 参考訳(メタデータ) (2022-05-27T08:07:39Z) - 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) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - 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)
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。