Fugu-MT 論文翻訳(概要): BehaviorGPT: Smart Agent Simulation for Autonomous Driving with Next-Patch Prediction

論文の概要: BehaviorGPT: Smart Agent Simulation for Autonomous Driving with Next-Patch Prediction

arxiv url: http://arxiv.org/abs/2405.17372v1
Date: Mon, 27 May 2024 17:28:25 GMT
ステータス: 処理完了
システム内更新日: 2024-05-28 14:14:13.237727
Title: BehaviorGPT: Smart Agent Simulation for Autonomous Driving with Next-Patch Prediction
Title（参考訳）: BehaviorGPT:次世代予測による自律運転のためのスマートエージェントシミュレーション
Authors: Zikang Zhou, Haibo Hu, Xinhong Chen, Jianping Wang, Nan Guan, Kui Wu, Yung-Hui Li, Yu-Kai Huang, Chun Jason Xue,
Abstract要約: Behavior Generative Pre-trained Transformers (BehaviorGPT) は、複数のエージェントのシーケンシャル動作をシミュレートするために設計されたデコーダのみの自己回帰型アーキテクチャである。 Next-Patch Prediction Paradigm (NP3) は、モデルが軌道のパッチレベルを推論し、長距離空間と時間的相互作用をキャプチャすることを可能にする。 BehaviorGPTはSim Agents Benchmarkでいくつかの指標にランクインし、マルチエージェントとエージェントマップのインタラクションにおいて、例外的なパフォーマンスを示している。
参考スコア（独自算出の注目度）: 22.254486248785614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Simulating realistic interactions among traffic agents is crucial for efficiently validating the safety of autonomous driving systems. Existing leading simulators primarily use an encoder-decoder structure to encode the historical trajectories for future simulation. However, such a paradigm complicates the model architecture, and the manual separation of history and future trajectories leads to low data utilization. To address these challenges, we propose Behavior Generative Pre-trained Transformers (BehaviorGPT), a decoder-only, autoregressive architecture designed to simulate the sequential motion of multiple agents. Crucially, our approach discards the traditional separation between "history" and "future," treating each time step as the "current" one, resulting in a simpler, more parameter- and data-efficient design that scales seamlessly with data and computation. Additionally, we introduce the Next-Patch Prediction Paradigm (NP3), which enables models to reason at the patch level of trajectories and capture long-range spatial-temporal interactions. BehaviorGPT ranks first across several metrics on the Waymo Sim Agents Benchmark, demonstrating its exceptional performance in multi-agent and agent-map interactions. We outperformed state-of-the-art models with a realism score of 0.741 and improved the minADE metric to 1.540, with an approximately 91.6% reduction in model parameters.
Abstract（参考訳）: 交通機関間の現実的な相互作用をシミュレーションすることは、自律運転システムの安全性を効果的に検証するために重要である。既存の先導シミュレータは主にエンコーダ・デコーダ構造を使用して、将来のシミュレーションのために過去の軌道をエンコードする。しかし、そのようなパラダイムはモデルアーキテクチャを複雑にし、歴史と将来の軌跡を手作業で分離することで、データ利用が低くなる。これらの課題に対処するために、複数のエージェントのシーケンシャルな動きをシミュレートするデコーダのみの自己回帰型アーキテクチャであるBehaviorGPT(BehaviorGPT)を提案する。重要なことに、我々のアプローチは従来の"歴史"と"未来"の分離を捨て、各ステップを"現在の"ステップとして扱います。さらに,Next-Patch Prediction Paradigm (NP3)を導入し,トラジェクトリのパッチレベルをモデル化し,長距離空間・時間的相互作用を捉える。 BehaviorGPTはWaymo Sim Agents Benchmarkでいくつかの指標にランクインし、マルチエージェントとエージェントマップのインタラクションにおける例外的なパフォーマンスを示している。現実性スコア0.741の最先端モデルより優れており、ミネード計量を1.540に改善し、約91.6%のモデルパラメータを削減した。

関連論文リスト

Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文参考訳（メタデータ） (2024-09-12T11:50:06Z)
Data-Driven Traffic Simulation for an Intersection in a Metropolis [7.264786765085108]
道路交差点における交通をモデル化するための新しいデータ駆動シミュレーション環境を提案する。エージェントの相互作用と環境制約を学習するために,軌道予測モデルを訓練する。シミュレーションは、自律的に、または、生成分布に条件付けされた明示的な人間の制御の下で実行することができる。
論文参考訳（メタデータ） (2024-08-01T22:25:06Z)
Model Predictive Simulation Using Structured Graphical Models and Transformers [4.229560419171488]
本稿では、トランスフォーマと確率的グラフィカルモデル(PGM)に基づいて、複数の対話エージェント(道路利用者)の軌跡をシミュレートする手法を提案する。次に, 先行知識を符号化する因子を含むPGMを用いて, これらの軌道を改良する。我々はMPSがMTRベースラインを改善することを示し、特に衝突速度などの安全クリティカルな指標について述べる。
論文参考訳（メタデータ） (2024-06-28T03:46:53Z)
Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文参考訳（メタデータ） (2024-05-27T22:15:23Z)
SMART: Scalable Multi-agent Real-time Motion Generation via Next-token Prediction [4.318757942343036]
本稿では,ベクトル化された地図とエージェント軌跡データを離散的なシーケンストークンにモデル化する,新しい自律走行運動生成パラダイムを提案する。これらのトークンはデコーダのみのトランスフォーマーアーキテクチャを通じて処理され、次のトークン予測タスクをトレーニングする。複数のデータセットから10億以上のモーショントークンを収集し、モデルのスケーラビリティを検証しました。
論文参考訳（メタデータ） (2024-05-24T16:17:35Z)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
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)
STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文参考訳（メタデータ） (2022-11-21T07:29:24Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。