論文の概要: Interaction-Based Driving Scenario Classification and Labeling
- arxiv url: http://arxiv.org/abs/2402.07720v1
- Date: Mon, 12 Feb 2024 15:34:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 13:56:20.205002
- Title: Interaction-Based Driving Scenario Classification and Labeling
- Title(参考訳): インタラクションに基づく運転シナリオ分類とラベル付け
- Authors: Cheng Chang, Jiawei Zhang, Jingwei Ge, Zuo Zhang, Junqing Wei, Li Li
- Abstract要約: 対話型シナリオ分類とラベリングのためのフレームワークを提案する。
このフレームワークはシナリオデータの使用とインデックス化をしっかりとサポートすることができる。
- 参考スコア(独自算出の注目度): 10.944948665260977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scenario data play a vital role in autonomous driving related researches, and
it is essential to obtain refined descriptions and labels to extract and index
scenarios with different types of interactions. However, existing methods
cannot cope well with the problem of scenario classification and comparison
with vehicle interactions as the core. In this paper, we propose a framework
for interaction-based refined scenario classification and labeling. Based on
the summarized basic types of vehicle interactions, we slice scenario data
stream into a series of scenario segments via spatiotemporal scenario evolution
tree. The scenario segment statistics of many published scenario datasets are
further analyzed. We also propose the scenario metric Graph-DTW based on Graph
Computation Tree and Dynamic Time Warping to conduct refined scenario
comparison and labeling. The extreme interactive scenarios and corner cases can
be efficiently filtered and extracted. Moreover, testing examples on trajectory
prediction model demonstrate the effectiveness and advantages of scenario
labeling and the proposed metric. The overall framework can provide solid
support for the usage and indexing of scenario data.
- Abstract(参考訳): シナリオデータは、自律運転に関する研究において重要な役割を担い、異なるタイプのインタラクションでシナリオを抽出しインデックス化するために、洗練された記述とラベルを取得することが不可欠である。
しかし,既存の手法ではシナリオ分類の問題にうまく対応できず,コアとなる車間相互作用との比較もできない。
本稿では,対話型シナリオ分類とラベル付けのためのフレームワークを提案する。
車両インタラクションの基本タイプの要約に基づいて,シナリオデータストリームを時空間的シナリオ進化ツリーを介して,一連のシナリオセグメントにスライスする。
多くの公開シナリオデータセットのシナリオセグメント統計をさらに分析する。
また,グラフ計算木と動的時間ウォーピングに基づいて,シナリオ比較とラベル付けを行うためのシナリオメトリックグラフdtwを提案する。
極端なインタラクティブなシナリオやコーナーケースを効率的にフィルタして抽出することができる。
さらに,軌道予測モデルを用いた実験例では,シナリオラベリングの有効性と有効性を示した。
全体的なフレームワークは、シナリオデータの使用とインデックス化をしっかりとサポートできる。
関連論文リスト
- 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) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳(メタデータ) (2023-07-11T08:30:57Z) - UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
要約品質評価は、テキスト要約における非自明なタスクである。
統一多シナリオ要約評価モデル(UMSE)を提案する。
UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
論文 参考訳(メタデータ) (2023-05-26T12:54:44Z) - Vectorized Scenario Description and Motion Prediction for Scenario-Based
Testing [2.07180164747172]
本稿では,道路形状と車両軌跡によって定義されたベクトル化されたシナリオ記述を提案する。
この形式のデータは3つのシナリオに対して生成され、マージされ、モーション予測モデルであるVectorNetのトレーニングに使用される。
論文 参考訳(メタデータ) (2023-02-02T15:32:25Z) - Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation
across Disjoint Labels [80.05697343811893]
クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。
変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
論文 参考訳(メタデータ) (2022-08-04T17:57:52Z) - Iterative Scene Graph Generation [55.893695946885174]
シーングラフ生成は、オブジェクトエンティティとその対応する相互作用述語を所定の画像(またはビデオ)で識別する。
シーングラフ生成への既存のアプローチは、推定イテレーションの実現を可能にするために、関節分布の特定の因子化を前提としている。
本稿では,この制限に対処する新しいフレームワークを提案するとともに,画像に動的条件付けを導入する。
論文 参考訳(メタデータ) (2022-07-27T10:37:29Z) - 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) - Scenario-aware and Mutual-based approach for Multi-scenario
Recommendation in E-Commerce [12.794276204716642]
不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。
本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
論文 参考訳(メタデータ) (2020-12-16T13:52:14Z) - Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。
我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文 参考訳(メタデータ) (2020-10-19T19:53:15Z) - Real-World Scenario Mining for the Assessment of Automated Vehicles [12.962830182937035]
2段階のアプローチで実世界のデータからシナリオをキャプチャする手法を提案する。
この手法は特定のシナリオには当てはまらないため、様々なシナリオに適用することができる。
論文 参考訳(メタデータ) (2020-05-31T10:10:39Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。