論文の概要: Augmenting Safety-Critical Driving Scenarios while Preserving Similarity to Expert Trajectories

• arxiv url: http://arxiv.org/abs/2404.13347v1
• Date: Sat, 20 Apr 2024 11:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 19:19:56.984044
• Title: Augmenting Safety-Critical Driving Scenarios while Preserving Similarity to Expert Trajectories
• Title（参考訳）: 専門家軌道との類似性を維持しつつ、安全批判運転シナリオを増強する
• Authors: Hamidreza Mirkhani, Behzad Khamidehi, Kasra Rezaee,
• Abstract要約: 軌道拡大は、模倣学習における分布シフトを緩和する手段として機能する。 本稿では,専門家の軌跡データとの類似性を維持するための手法を提案する。
• 参考スコア（独自算出の注目度）: 3.072340427031969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory augmentation serves as a means to mitigate distributional shift in imitation learning. However, imitating trajectories that inadequately represent the original expert data can result in undesirable behaviors, particularly in safety-critical scenarios. We propose a trajectory augmentation method designed to maintain similarity with expert trajectory data. To accomplish this, we first cluster trajectories to identify minority yet safety-critical groups. Then, we combine the trajectories within the same cluster through geometrical transformation to create new trajectories. These trajectories are then added to the training dataset, provided that they meet our specified safety-related criteria. Our experiments exhibit that training an imitation learning model using these augmented trajectories can significantly improve closed-loop performance.
• Abstract（参考訳）: 軌道拡大は、模倣学習における分布シフトを緩和する手段として機能する。 しかしながら、元々のエキスパートデータを不十分に表現した軌道を模倣すると、特に安全クリティカルなシナリオにおいて、望ましくない振る舞いが生じる可能性がある。 本稿では,専門家の軌跡データとの類似性を維持するために,軌道拡張手法を提案する。 これを実現するために、我々はまず、少数だが安全クリティカルなグループを識別する軌道をクラスタ化する。 そして、幾何学的変換によって同一クラスタ内の軌道を結合し、新しい軌道を生成する。 これらのトラジェクトリはトレーニングデータセットに追加され、指定された安全関連基準を満たすようにします。 実験の結果,これらの拡張軌道を用いた模擬学習モデルの訓練は閉ループ性能を著しく向上させることができることがわかった。

関連論文リスト

• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Likely, Light, and Accurate Context-Free Clusters-based Trajectory Prediction [0.0]
  本稿では,従来の手法よりも分散シフトに対処可能な,自己条件付きGANという,より深い特徴クラスタリング手法を提案する。 また,生成した軌道に確率を割り当てる新しい距離ベースランキングの提案も提案する。 全体システムは、人間と道路エージェントの軌跡データにおける文脈自由な深層生成モデルを上回る。
  論文  参考訳（メタデータ） (2023-07-27T11:29:57Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
  トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。 そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。 TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
  論文  参考訳（メタデータ） (2022-10-11T05:25:14Z)
• Semi-supervised Semantics-guided Adversarial Training for Trajectory Prediction [15.707419899141698]
  軌道予測に対する敵対的な攻撃は、将来の軌道予測を誤解させ、安全でない計画を引き起こす可能性がある。 本稿では,軌道予測のための新しい逆学習法を提案する。 本手法は、敵攻撃の影響を最大73%軽減し、他の一般的な防御方法より優れる。
  論文  参考訳（メタデータ） (2022-05-27T20:50:36Z)
• TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
  既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。 そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。 また,データ駆動型シミュレータI-Simを開発した。
  論文  参考訳（メタデータ） (2022-03-31T04:48:29Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Adversarial Imitation Learning with Trajectorial Augmentation and Correction [61.924411952657756]
  本稿では,拡張軌道の成功を保った新しい拡張手法を提案する。 我々は, 合成専門家を用いた模倣エージェントの訓練を行うために, 逆データ拡張模倣アーキテクチャを開発した。 実験により,我々のデータ拡張戦略は,敵対的模倣の精度と収束時間を向上できることが示された。
  論文  参考訳（メタデータ） (2021-03-25T14:49:32Z)

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。