論文の概要: KiGRAS: Kinematic-Driven Generative Model for Realistic Agent Simulation
- arxiv url: http://arxiv.org/abs/2407.12940v1
- Date: Wed, 17 Jul 2024 18:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 19:43:08.249702
- Title: KiGRAS: Kinematic-Driven Generative Model for Realistic Agent Simulation
- Title（参考訳）: KiGRAS: 現実的エージェントシミュレーションのための運動駆動生成モデル
- Authors: Jianbo Zhao, Jiaheng Zhuang, Qibin Zhou, Taiyu Ban, Ziyao Xu, Hangning Zhou, Junhe Wang, Guoan Wang, Zhiheng Li, Bin Li,
- Abstract要約: 軌道生成は自動運転における重要な課題である。
最近の研究は自己回帰パラダイムを導入している。
実エージェントシミュレーションのためのキネマティック駆動生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 17.095651262950568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory generation is a pivotal task in autonomous driving. Recent studies have introduced the autoregressive paradigm, leveraging the state transition model to approximate future trajectory distributions. This paradigm closely mirrors the real-world trajectory generation process and has achieved notable success. However, its potential is limited by the ineffective representation of realistic trajectories within the redundant state space. To address this limitation, we propose the Kinematic-Driven Generative Model for Realistic Agent Simulation (KiGRAS). Instead of modeling in the state space, KiGRAS factorizes the driving scene into action probability distributions at each time step, providing a compact space to represent realistic driving patterns. By establishing physical causality from actions (cause) to trajectories (effect) through the kinematic model, KiGRAS eliminates massive redundant trajectories. All states derived from actions in the cause space are constrained to be physically feasible. Furthermore, redundant trajectories representing identical action sequences are mapped to the same representation, reflecting their underlying actions. This approach significantly reduces task complexity and ensures physical feasibility. KiGRAS achieves state-of-the-art performance in Waymo's SimAgents Challenge, ranking first on the WOMD leaderboard with significantly fewer parameters than other models. The video documentation is available at \url{https://kigras-mach.github.io/KiGRAS/}.
- Abstract（参考訳）: 軌道生成は自動運転における重要な課題である。
最近の研究は、状態遷移モデルを利用して将来の軌道分布を近似する自己回帰パラダイムを導入している。
このパラダイムは現実世界の軌道生成過程を忠実に反映し、顕著な成功を収めた。
しかし、そのポテンシャルは、冗長な状態空間内の現実的な軌道の非効率な表現によって制限される。
この制限に対処するため,実エージェントシミュレーションのためのキネマティック駆動生成モデル(KiGRAS)を提案する。
状態空間をモデル化する代わりに、KiGRASは駆動シーンを各タイミングで動作確率分布に分解し、現実的な駆動パターンを表現するためのコンパクトな空間を提供する。
運動モデルによる行動(原因)から軌道(効果)への物理的因果性を確立することで、KiGRASは巨大な冗長な軌道を除去する。
因数空間における作用に由来する全ての状態は、物理的に実現可能であるように制約される。
さらに、同一のアクションシーケンスを表す冗長なトラジェクトリは、その基盤となるアクションを反映して、同じ表現にマッピングされる。
このアプローチはタスクの複雑さを大幅に減らし、物理的な実現性を保証する。
KiGRASはWaymoのSimAgents Challengeで最先端のパフォーマンスを達成した。
ビデオ資料は \url{https://kigras-mach.github.io/KiGRAS/} で公開されている。
関連論文リスト
- Rolling Ahead Diffusion for Traffic Scene Simulation [13.900806577888861]
現実的な運転シミュレーションでは、NPCは自然運転の振る舞いを模倣するだけでなく、他の模擬エージェントの挙動に反応する。
拡散に基づくシナリオ生成の最近の発展は、多様で現実的なトラフィックシナリオの作成に焦点を当てている。
両手法の利点を混合した転がり拡散に基づく交通シーン生成モデルを提案する。
論文 参考訳（メタデータ） (2025-02-13T18:45:56Z) - AA-SGAN: Adversarially Augmented Social GAN with Synthetic Data [9.108224187521287]
本研究では, 合成軌道を訓練時に, 対角的アプローチで増強する手法を提案する。
本研究は, 実世界の軌道上で, 最先端生成モデルの評価を行うと, 学習時の軌道増進が大きな利益をもたらすことを示す。
論文 参考訳（メタデータ） (2024-12-23T23:17:44Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - 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) - SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent
Diffusion Models [10.057312592344507]
本研究では,SceneDMと呼ばれる拡散モデルに基づく新しいフレームワークを提案する。
SceneDMはSim Agents Benchmarkで最先端の結果を得る。
論文 参考訳（メタデータ） (2023-11-27T11:39:27Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - 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) - MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
多様な動きを合成する無条件生成モデルであるMoDiを提案する。
我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。
データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
論文 参考訳（メタデータ） (2022-06-16T09:06:25Z) - RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics [9.267045415696263]
RTGNN(Recurrent Traffic Graph Neural Network)を提案する。
RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。
我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
論文 参考訳（メタデータ） (2022-02-21T03:55:00Z) - Motion Deblurring with Real Events [50.441934496692376]
本稿では,イベントベースの動作を自己教師型で記述するエンド・ツー・エンドの学習フレームワークを提案する。
実世界のイベントは、データ不整合によるパフォーマンス劣化を軽減するために利用される。
論文 参考訳（メタデータ） (2021-09-28T13:11:44Z) - 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。