論文の概要: Causality-based Transfer of Driving Scenarios to Unseen Intersections

• arxiv url: http://arxiv.org/abs/2404.02046v1
• Date: Tue, 2 Apr 2024 15:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 15:49:31.934336
• Title: Causality-based Transfer of Driving Scenarios to Unseen Intersections
• Title（参考訳）: 因果性に基づく運転シナリオの未確認領域への移動
• Authors: Christoph Glasmacher, Michael Schuldes, Sleiman El Masri, Lutz Eckstein,
• Abstract要約: シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Scenario-based testing of automated driving functions has become a promising method to reduce time and cost compared to real-world testing. In scenario-based testing automated functions are evaluated in a set of pre-defined scenarios. These scenarios provide information about vehicle behaviors, environmental conditions, or road characteristics using parameters. To create realistic scenarios, parameters and parameter dependencies have to be fitted utilizing real-world data. However, due to the large variety of intersections and movement constellations found in reality, data may not be available for certain scenarios. This paper proposes a methodology to systematically analyze relations between parameters of scenarios. Bayesian networks are utilized to analyze causal dependencies in order to decrease the amount of required data and to transfer causal patterns creating unseen scenarios. Thereby, infrastructural influences on movement patterns are investigated to generate realistic scenarios on unobserved intersections. For evaluation, scenarios and underlying parameters are extracted from the inD dataset. Movement patterns are estimated, transferred and checked against recorded data from those initially unseen intersections.
• Abstract（参考訳）: シナリオベースの自動運転機能のテストは、実世界のテストと比較して時間とコストを削減するための有望な方法となっている。 シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 これらのシナリオは、パラメータを使用して車両の挙動、環境条件、道路特性に関する情報を提供する。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 しかし、実際には多くの交点や運動星座があるため、特定のシナリオではデータが利用できない可能性がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。 ベイジアンネットワークは、必要なデータ量を減らすために因果依存性を分析し、未知のシナリオを生成する因果パターンを転送するために利用される。 そこで,非観測交差点における現実的なシナリオを生成するために,運動パターンに対するインフラ的影響を調査した。 評価には、inDデータセットからシナリオと基礎となるパラメータを抽出する。 移動パターンは、当初目に見えない交差点から記録されたデータに対して推定され、転送され、チェックされる。

関連論文リスト

• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,自律走行シミュレーションに特化して設計された新しい駆動ビュー合成データセットとベンチマークを提案する。 データセットには、トレーニング軌跡から1-4mずれて取得した画像のテストが含まれているため、ユニークなものだ。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Controllable Adversaries [94.84458417662407]
  本稿では,新しい拡散制御型クローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 我々は,認知過程における敵対的項を通して,安全クリティカルなシナリオをシミュレートする新しい手法を開発した。 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。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• 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)
• Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
  シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。 しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。 視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
  論文  参考訳（メタデータ） (2023-07-28T05:47:24Z)
• 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)
• 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)
• An Application of Scenario Exploration to Find New Scenarios for the Development and Testing of Automated Driving Systems in Urban Scenarios [2.480533141352916]
  この研究はベイズ最適化とガウス過程を利用して、論理的シナリオの中で関連する、興味深い、あるいは重要なパラメータ集合を見つけることを目的としている。 この研究がもたらし、さらに調査すべきアイデアの一覧が提示される。
  論文  参考訳（メタデータ） (2022-05-17T09:47:32Z)
• 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)

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。