論文の概要: SensoDat: Simulation-based Sensor Dataset of Self-driving Cars

• arxiv url: http://arxiv.org/abs/2401.09808v1
• Date: Thu, 18 Jan 2024 08:57:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 17:21:13.487566
• Title: SensoDat: Simulation-based Sensor Dataset of Self-driving Cars
• Title（参考訳）: SensoDat:シミュレーションに基づく自動運転車のセンサーデータセット
• Authors: Christian Birchler, Cyrill Rohrbach, Timo Kehrer, Sebastiano Panichella
• Abstract要約: SensoDatは、シミュレーションに基づく自動運転車のテストケースを32,580件実行したデータセットである。 SensoDatは81種類のシミュレーションセンサーからのデータを提供する。
• 参考スコア（独自算出の注目度）: 4.135985106933988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing tools in the context of autonomous systems [22, 24 ], such as self-driving cars (SDCs), is time-consuming and costly since researchers and practitioners rely on expensive computing hardware and simulation software. We propose SensoDat, a dataset of 32,580 executed simulation-based SDC test cases generated with state-of-the-art test generators for SDCs. The dataset consists of trajectory logs and a variety of sensor data from the SDCs (e.g., rpm, wheel speed, brake thermals, transmission, etc.) represented as a time series. In total, SensoDat provides data from 81 different simulated sensors. Future research in the domain of SDCs does not necessarily depend on executing expensive test cases when using SensoDat. Furthermore, with the high amount and variety of sensor data, we think SensoDat can contribute to research, particularly for AI development, regression testing techniques for simulation-based SDC testing, flakiness in simulation, etc. Link to the dataset: https://doi.org/10.5281/zenodo.10307479
• Abstract（参考訳）: 自動運転車(sdcs)のような自律システム(22, 24)のコンテキストでの開発は、研究者や実践者が高価な計算ハードウェアとシミュレーションソフトウェアに依存しているため、時間がかかり、コストがかかる。 提案するSensoDatは,32,580個のシミュレーションベースのSDCテストケースを,SDC用最先端テストジェネレータで生成したデータセットである。 データセットは、時系列として表されるSDC(例えば、rpm、ホイールスピード、ブレーキサーマル、送信など)の軌跡ログと様々なセンサーデータで構成されている。 合計で、SensoDatは81種類のシミュレーションセンサーからのデータを提供する。 SDCの領域における今後の研究は、SensoDatを使用する場合、必ずしも高価なテストケースの実行に依存しない。 さらに、センサーデータの量や多種多様さから、SensoDatは特にAI開発、シミュレーションベースのSDCテストのための回帰テスト技術、シミュレーションにおけるフレキネスなど、研究に貢献できると考えている。 データセットへのリンク: https://doi.org/10.5281/zenodo.10307479

関連論文リスト

• SCaRL- A Synthetic Multi-Modal Dataset for Autonomous Driving [0.0]
  本稿では、自律運転ソリューションのトレーニングと検証を可能にするために、合成生成された新しいマルチモーダルデータセットであるSCaRLを提案する。 SCaRLはCARLA Simulatorに基づく大規模なデータセットであり、多様な動的シナリオとトラフィック条件のためのデータを提供する。
  論文  参考訳（メタデータ） (2024-05-27T10:31:26Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TWICE Dataset: Digital Twin of Test Scenarios in a Controlled Environment [0.0]
  我々は,実検体で得られたセンサデータからなるデータセットを開発し,同じテストシナリオのために実験室で再現した。 提供されるデータセットには、カメラ、レーダー、LiDAR、慣性測定ユニット(IMU)、および悪天候下で記録されたGPSデータが含まれる。 データセットには2時間以上の記録があり、合計280GB以上のデータが含まれている。
  論文  参考訳（メタデータ） (2023-10-05T21:01:04Z)
• 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)
• Data-Induced Interactions of Sparse Sensors [3.050919759387984]
  トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。 これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
  論文  参考訳（メタデータ） (2023-07-21T18:13:37Z)
• TEASER: Simulation-based CAN Bus Regression Testing for Self-driving Cars Software [5.77326389907799]
  TEASERは、最先端の自動車シミュレーターから得られるセンサーから得られるSDCのための現実的なCAN信号を生成するツールである。 TEASERをJenkinsで構成したContinous Integration(CI)パイプラインに統合しました。 本評価では,シミュレーションに基づく欠陥を暴露するCIテストケースの生成と実行がTEASERの能力を示す。
  論文  参考訳（メタデータ） (2023-07-06T20:30:35Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• 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)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure Sensor Setups [0.0]
  融解したLiDAR点雲と単一LiDAR点雲との差について検討した。 抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:57:52Z)

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。