論文の概要: VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation
- arxiv url: http://arxiv.org/abs/2402.07720v2
- Date: Tue, 14 May 2024 03:43:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 19:11:33.160022
- Title: VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation
- Title（参考訳）: VistaScenario: 交通自動化のためのインテリジェントシステムと車両のインタラクションシナリオエンジニアリング
- Authors: Cheng Chang, Jiawei Zhang, Jingwei Ge, Zuo Zhang, Junqing Wei, Li Li, Fei-Yue Wang,
- Abstract要約: 交通自動化のためのインテリジェントシステムを備えた車両のシナリオエンジニアリングを行うためのVistaScenarioフレームワークを提案する。
要約された車種間相互作用に基づいて、シナリオ進化ツリーを介してシナリオデータストリームをセグメントに分割する。
また,グラフツリーとダイナミック・タイム・ウォーピングに基づくシナリオ・メトリック・グラフ-DTWを提案し,シナリオ比較とラベル付けを行う。
- 参考スコア（独自算出の注目度）: 18.897103921181255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent vehicles and autonomous driving systems rely on scenario engineering for intelligence and index (I&I), calibration and certification (C&C), and verification and validation (V&V). To extract and index scenarios, various vehicle interactions are worthy of much attention, and deserve refined descriptions and labels. However, existing methods cannot cope well with the problem of scenario classification and labeling with vehicle interactions as the core. In this paper, we propose VistaScenario framework to conduct interaction scenario engineering for vehicles with intelligent systems for transport automation. Based on the summarized basic types of vehicle interactions, we slice scenario data stream into a series of segments via spatiotemporal scenario evolution tree. 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 interaction scenarios and corner cases can be efficiently filtered and extracted. Moreover, with naturalistic scenario datasets, testing examples on trajectory prediction model demonstrate the effectiveness and advantages of our framework. VistaScenario can provide solid support for the usage and indexing of scenario data, further promote the development of intelligent vehicles and transport automation.
- Abstract（参考訳）: インテリジェントな車両と自律運転システムは、インテリジェンスとインデックス(I&I)、キャリブレーションと認証(C&C)、検証と検証(V&V)のためのシナリオエンジニアリングに依存している。
シナリオを抽出し、インデックス化するために、様々な車両の相互作用は、多くの注意に値するものであり、洗練された記述とラベルに値する。
しかし,既存の手法では,シナリオ分類や車間相互作用のラベル付けといった問題に対処できない。
本稿では,交通自動化のためのインテリジェントシステムを備えた車両のインタラクションシナリオエンジニアリングを実現するためのVistaScenarioフレームワークを提案する。
車両間の相互作用の要約に基づいて、時空間シナリオ進化木を用いて、シナリオデータストリームを一連のセグメントに分割する。
また、グラフ計算木と動的時間ワープに基づくシナリオメトリクスグラフDTWを提案し、洗練されたシナリオ比較とラベル付けを行う。
極端な相互作用シナリオとコーナーケースを効率的にフィルタリングして抽出することができる。
さらに、自然主義的なシナリオデータセットを用いて、軌道予測モデル上でのテスト例は、我々のフレームワークの有効性と利点を実証する。
VistaScenarioは、シナリオデータの使用とインデックス化の確固たるサポートを提供し、インテリジェントな車両の開発とトランスポート自動化をさらに促進することができる。
関連論文リスト
- Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Automatic Generation of Scenarios for System-level Simulation-based
Verification of Autonomous Driving Systems [0.0]
本稿では,AIコンポーネントを用いた自律システムのシステムレベルのシミュレーションに基づくV&Vフレームワークについて述べる。
このフレームワークは、システムの振る舞いを象徴的に記述する抽象モデルであるシステムのシミュレーションモデルに基づいている。
シナリオの自動生成をガイドするために、さまざまなカバレッジ基準を定義することができます。
論文 参考訳（メタデータ） (2023-11-16T11:03:13Z) - PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。
我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
論文 参考訳（メタデータ） (2023-11-14T11:53:24Z) - 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Context-Aware Timewise VAEs for Real-Time Vehicle Trajectory Prediction [4.640835690336652]
マルチモーダル車軌道予測のためのコンテキスト認識手法であるContextVAEを提案する。
本手法は,現場のエージェントが提示する社会的特徴と,身体環境の制約を考慮に入れたものである。
すべてのテストデータセットにおいて、ContextVAEモデルはトレーニングが高速で、リアルタイムに高品質なマルチモーダル予測を提供する。
論文 参考訳（メタデータ） (2023-02-21T18:42:24Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - 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) - 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) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z)
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。