論文の概要: RoadGen: Generating Road Scenarios for Autonomous Vehicle Testing

• arxiv url: http://arxiv.org/abs/2411.19577v1
• Date: Fri, 29 Nov 2024 09:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:02.662475
• Title: RoadGen: Generating Road Scenarios for Autonomous Vehicle Testing
• Title（参考訳）: RoadGen: 自動運転車テストのためのロードシナリオの生成
• Authors: Fan Yang, You Lu, Bihuan Chen, Peng Qin, Xin Peng,
• Abstract要約: 道路のシナリオ(例えば、道路のトポロジーと幾何学)は文献からはほとんど注目されていない。 そこで我々は,多様な道路シナリオを体系的に生成するRoadGenを提案する。 鍵となるアイデアは、8種類のパラメータ化された道路コンポーネントを接続して、トポロジと幾何学の多様性の高い道路シナリオを構築することである。
• 参考スコア（独自算出の注目度）: 8.871577642925025
• License:
• Abstract: With the rapid development of autonomous vehicles, there is an increasing demand for scenario-based testing to simulate diverse driving scenarios. However, as the base of any driving scenarios, road scenarios (e.g., road topology and geometry) have received little attention by the literature. Despite several advances, they either generate basic road components without a complete road network, or generate a complete road network but with simple road components. The resulting road scenarios lack diversity in both topology and geometry. To address this problem, we propose RoadGen to systematically generate diverse road scenarios. The key idea is to connect eight types of parameterized road components to form road scenarios with high diversity in topology and geometry. Our evaluation has demonstrated the effectiveness and usefulness of RoadGen in generating diverse road scenarios for simulation.
• Abstract（参考訳）: 自動運転車の急速な開発に伴い、様々な運転シナリオをシミュレートするシナリオベースのテストの需要が高まっている。 しかしながら、運転シナリオの基盤として、道路シナリオ(例えば、道路トポロジと幾何学)は文献にはほとんど注目されていない。 いくつかの進歩にもかかわらず、完全な道路網のない基本的な道路部品を生成するか、完全な道路網を生成するが、単純な道路部品を持つ。 結果として生じる道路シナリオは、トポロジと幾何学の両方において多様性を欠いている。 この問題に対処するために,様々な道路シナリオを体系的に生成するRoadGenを提案する。 鍵となる考え方は、8種類のパラメータ化された道路コンポーネントを接続して、トポロジと幾何学の多様性の高い道路シナリオを構築することである。 シミュレーションのための多様な道路シナリオ生成におけるRoadGenの有効性と有用性について検討した。

関連論文リスト

• DiffRoad: Realistic and Diverse Road Scenario Generation for Autonomous Vehicle Testing [12.964224581549281]
  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。
  論文  参考訳（メタデータ） (2024-11-14T13:56:02Z)
• 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)
• Automatic Extraction of Relevant Road Infrastructure using Connected vehicle data and Deep Learning Model [4.235459779667272]
  本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。 道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。 実験の結果,97%のF1スコア,90%のF1スコアに到達した。
  論文  参考訳（メタデータ） (2023-08-10T15:57:47Z)
• Learning a Model for Inferring a Spatial Road Lane Network Graph using Self-Supervision [10.819463015526832]
  本稿では,空間的に接地された車線レベル道路網グラフを推定するためにモデルを訓練する最初の自己教師型学習手法を提案する。 フォーマルな路面ネットワークモデルを示し、最も深度3の有向非巡回グラフで任意の構造化道路シーンを表現できることを証明した。 結果から,本モデルは従来のアプローチとは異なり,新たな道路レイアウトに一般化できることが示唆された。
  論文  参考訳（メタデータ） (2021-07-05T04:34:51Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Hierarchical Road Topology Learning for Urban Map-less Driving [8.107327095922729]
  我々は、車両自体の感覚システムを活用することで、オンライン道路地図抽出の課題に取り組む。 本研究では,全畳み込みネットワーク内で,道路網のグラフ表現を階層的に生成する構造化モデルを設計する。
  論文  参考訳（メタデータ） (2021-03-31T19:51:25Z)
• 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)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
  運転環境の要素が道路ルールの出現の原因となるかを分析する。 2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。 我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
  論文  参考訳（メタデータ） (2020-11-21T09:43:50Z)
• DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks [26.558394047144006]
  大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。 高忠実度運転シミュレータで7000km以上の評価を行う。 本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
  論文  参考訳（メタデータ） (2020-11-13T06:13:28Z)

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。