論文の概要: DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation

• arxiv url: http://arxiv.org/abs/2412.17487v1
• Date: Mon, 23 Dec 2024 11:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:53:57.312718
• Title: DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation
• Title（参考訳）: DeepMF:Dep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation
• Authors: Yizhe Li, Linrui Zhang, Xueqian Wang, Houde Liu, Bin Liang,
• Abstract要約: 安全クリティカルな交通シナリオは、自律運転システムの堅牢性を評価する上で、非常に実用的な関係である。 安全クリティカルなシナリオを生成する既存のアルゴリズムは、以前に記録されたトラフィックイベントのスニペットに依存している。 本稿では,静的安全クリティカルな運転シナリオをクローズループや対話型対向交通シミュレーションに拡張するDeep Motion Factorizationフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.059102404333885
• License:
• Abstract: Safety-critical traffic scenarios are of great practical relevance to evaluating the robustness of autonomous driving (AD) systems. Given that these long-tail events are extremely rare in real-world traffic data, there is a growing body of work dedicated to the automatic traffic scenario generation. However, nearly all existing algorithms for generating safety-critical scenarios rely on snippets of previously recorded traffic events, transforming normal traffic flow into accident-prone situations directly. In other words, safety-critical traffic scenario generation is hindsight and not applicable to newly encountered and open-ended traffic events.In this paper, we propose the Deep Motion Factorization (DeepMF) framework, which extends static safety-critical driving scenario generation to closed-loop and interactive adversarial traffic simulation. DeepMF casts safety-critical traffic simulation as a Bayesian factorization that includes the assignment of hazardous traffic participants, the motion prediction of selected opponents, the reaction estimation of autonomous vehicle (AV) and the probability estimation of the accident occur. All the aforementioned terms are calculated using decoupled deep neural networks, with inputs limited to the current observation and historical states. Consequently, DeepMF can effectively and efficiently simulate safety-critical traffic scenarios at any triggered time and for any duration by maximizing the compounded posterior probability of traffic risk. Extensive experiments demonstrate that DeepMF excels in terms of risk management, flexibility, and diversity, showcasing outstanding performance in simulating a wide range of realistic, high-risk traffic scenarios.
• Abstract（参考訳）: 安全クリティカルな交通シナリオは、自律運転(AD)システムの堅牢性を評価する上で、非常に実践的な関連性を持っている。 これらのロングテールイベントは、現実世界の交通データでは極めて稀であるため、自動的な交通シナリオ生成に特化した作業が増えている。 しかしながら、安全クリティカルなシナリオを生成するアルゴリズムのほとんど全ては、以前に記録されたトラフィックイベントのスニペットに依存しており、通常のトラフィックフローを事故を起こしやすい状況へと直接変換する。 言い換えれば、安全クリティカルな交通シナリオ生成は近視であり、新たに遭遇したオープンエンドな交通イベントには適用できない。この記事では、静的な安全クリティカルな運転シナリオ生成をクローズループや対話的な交通シミュレーションに拡張するDeep Motion Factorization(DeepMF)フレームワークを提案する。 DeepMFは、危険交通参加者の割り当て、選択した相手の動作予測、自動運転車(AV)の反応推定、事故の確率推定を含むベイズ因子化として安全クリティカルな交通シミュレーションを論じている。 上記の項はすべて、分離されたディープニューラルネットワークを用いて計算され、入力は現在の観測と歴史的状態に限られる。 したがって、DeepMFは、交通リスクの複合化後確率を最大化することにより、任意のトリガ時間および任意の期間において、安全クリティカルな交通シナリオを効果的かつ効率的にシミュレートすることができる。 大規模な実験により、DeepMFはリスク管理、柔軟性、多様性の面で優れていることが示され、幅広い現実的でリスクの高いトラフィックシナリオをシミュレートする際、優れたパフォーマンスを示している。

関連論文リスト

• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Digital Twin-based Driver Risk-Aware Intelligent Mobility Analytics for Urban Transportation Management [18.015270631863665]
  本稿では,デジタルツインをベースとしたドライバリスク認識知能モビリティ分析システムを提案する。 DT-DIMAシステムはパンティルトカメラからのリアルタイムトラフィック情報を統合する。 このシステムは、ネットワーク全体のモビリティと安全性のリスクをリアルタイムで予測する。
  論文  参考訳（メタデータ） (2024-07-03T01:44:22Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• I Know You Can't See Me: Dynamic Occlusion-Aware Safety Validation of Strategic Planners for Autonomous Vehicles Using Hypergames [12.244501203346566]
  我々は,状況リスクを評価するための,新しいマルチエージェント動的閉塞リスク尺度を開発した。 AVにおける戦略的プランナーの安全性を評価するための,ホワイトボックス,シナリオベース,アクセラレーション型安全検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-20T19:38:14Z)
• 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)

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。