論文の概要: DiffRoad: Realistic and Diverse Road Scenario Generation for Autonomous Vehicle Testing

• arxiv url: http://arxiv.org/abs/2411.09451v1
• Date: Thu, 14 Nov 2024 13:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:44.093827
• Title: DiffRoad: Realistic and Diverse Road Scenario Generation for Autonomous Vehicle Testing
• Title（参考訳）: DiffRoad: 自動運転車テストのための現実的および異種道路シナリオ生成
• Authors: Junjie Zhou, Lin Wang, Qiang Meng, Xiaofan Wang,
• Abstract要約: DiffRoadは、制御可能で高忠実な3D道路シナリオを生成するために設計された、新しい拡散モデルである。 Road-UNetアーキテクチャは、バックボーンとスキップ接続のバランスを最適化し、高現実性シナリオを生成する。 生成されたシナリオはOpenDRIVEフォーマットで完全に自動化できる。
• 参考スコア（独自算出の注目度）: 12.964224581549281
• License:
• Abstract: Generating realistic and diverse road scenarios is essential for autonomous vehicle testing and validation. Nevertheless, owing to the complexity and variability of real-world road environments, creating authentic and varied scenarios for intelligent driving testing is challenging. In this paper, we propose DiffRoad, a novel diffusion model designed to produce controllable and high-fidelity 3D road scenarios. DiffRoad leverages the generative capabilities of diffusion models to synthesize road layouts from white noise through an inverse denoising process, preserving real-world spatial features. To enhance the quality of generated scenarios, we design the Road-UNet architecture, optimizing the balance between backbone and skip connections for high-realism scenario generation. Furthermore, we introduce a road scenario evaluation module that screens adequate and reasonable scenarios for intelligent driving testing using two critical metrics: road continuity and road reasonableness. Experimental results on multiple real-world datasets demonstrate DiffRoad's ability to generate realistic and smooth road structures while maintaining the original distribution. Additionally, the generated scenarios can be fully automated into the OpenDRIVE format, facilitating generalized autonomous vehicle simulation testing. DiffRoad provides a rich and diverse scenario library for large-scale autonomous vehicle testing and offers valuable insights for future infrastructure designs that are better suited for autonomous vehicles.
• Abstract（参考訳）: 自動運転車のテストと検証には、現実的で多様な道路シナリオの生成が不可欠だ。 それでも、現実世界の道路環境の複雑さと変動性のため、インテリジェントな運転テストのための真正で多様なシナリオを作成することは難しい。 本稿では,制御可能かつ高忠実な3次元道路シナリオを実現するための新しい拡散モデルDiffRoadを提案する。 DiffRoadは拡散モデルの生成機能を活用して、現実の空間的特徴を保ちながら、逆デノナイジングプロセスを通じて白いノイズから道路レイアウトを合成する。 生成されたシナリオの品質を向上させるために,バックボーンとスキップ接続のバランスを最適化し,ハイリアリズムシナリオ生成のためのロード-UNetアーキテクチャを設計する。 さらに,道路の連続性と道路の合理性という2つの重要な指標を用いて,インテリジェントな運転テストのための適切かつ合理的なシナリオをスクリーニングする道路シナリオ評価モジュールを導入する。 複数の実世界のデータセットに対する実験結果は、DiffRoadが元の分布を維持しながら、現実的でスムーズな道路構造を生成する能力を示している。 さらに、生成されたシナリオはOpenDRIVEフォーマットに完全に自動化することができ、一般化された自動運転車シミュレーションテストを容易にする。 DiffRoadは、大規模な自動運転車テストのためのリッチで多様なシナリオライブラリを提供し、自動運転車に適した将来のインフラ設計に貴重な洞察を提供する。

関連論文リスト

• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• GenDDS: Generating Diverse Driving Video Scenarios with Prompt-to-Video Generative Model [6.144680854063938]
  GenDDSは、自律運転システムの運転シナリオを生成するための新しいアプローチである。 我々は、実際の運転ビデオを含むKITTIデータセットを使用して、モデルをトレーニングする。 実世界の運転シナリオの複雑さと変動性を密に再現した高品質な運転映像を,我々のモデルで生成できることを実証した。
  論文  参考訳（メタデータ） (2024-08-28T15:37:44Z)
• Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
  本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。 本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
  論文  参考訳（メタデータ） (2024-08-06T13:58:56Z)
• Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
  本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。 当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:56:35Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Comprehensive Training and Evaluation on Deep Reinforcement Learning for Automated Driving in Various Simulated Driving Maneuvers [0.4241054493737716]
  本研究では、DQN(Deep Q-networks)とTRPO(Trust Region Policy Optimization)の2つのDRLアルゴリズムの実装、評価、比較を行う。 設計されたComplexRoads環境で訓練されたモデルは、他の運転操作にうまく適応でき、全体的な性能が期待できる。
  論文  参考訳（メタデータ） (2023-06-20T11:41:01Z)
• 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)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)
• A Hierarchical Pedestrian Behavior Model to Generate Realistic Human Behavior in Traffic Simulation [11.525073205608681]
  本稿では,行動木を用いた階層的歩行者行動モデルを提案する。 私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。 提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
  論文  参考訳（メタデータ） (2022-06-01T02:04:38Z)

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。