論文の概要: Generating Traffic Scenarios via In-Context Learning to Learn Better Motion Planner

• arxiv url: http://arxiv.org/abs/2412.18086v1
• Date: Tue, 24 Dec 2024 01:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:49.523196
• Title: Generating Traffic Scenarios via In-Context Learning to Learn Better Motion Planner
• Title（参考訳）: インコンテキスト学習による交通シナリオ生成による運動プランナの学習
• Authors: Aizierjiang Aiersilan,
• Abstract要約: 最先端のモーションプランナーは、慎重にキュレートされたデータセットで訓練される。 このようなシナリオを考慮できないことは、計画立案者に重大なリスクをもたらし、テスト中にインシデントを引き起こす可能性がある。 より堅牢な運動プランナを訓練するための,多様な重要な交通シナリオを生成するための安価な手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Motion planning is a crucial component in autonomous driving. State-of-the-art motion planners are trained on meticulously curated datasets, which are not only expensive to annotate but also insufficient in capturing rarely seen critical scenarios. Failing to account for such scenarios poses a significant risk to motion planners and may lead to incidents during testing. An intuitive solution is to manually compose such scenarios by programming and executing a simulator (e.g., CARLA). However, this approach incurs substantial human costs. Motivated by this, we propose an inexpensive method for generating diverse critical traffic scenarios to train more robust motion planners. First, we represent traffic scenarios as scripts, which are then used by the simulator to generate traffic scenarios. Next, we develop a method that accepts user-specified text descriptions, which a Large Language Model (LLM) translates into scripts using in-context learning. The output scripts are sent to the simulator that produces the corresponding traffic scenarios. As our method can generate abundant safety-critical traffic scenarios, we use them as synthetic training data for motion planners. To demonstrate the value of generated scenarios, we train existing motion planners on our synthetic data, real-world datasets, and a combination of both. Our experiments show that motion planners trained with our data significantly outperform those trained solely on real-world data, showing the usefulness of our synthetic data and the effectiveness of our data generation method. Our source code is available at https://ezharjan.github.io/AutoSceneGen.
• Abstract（参考訳）: 運動計画は自動運転において重要な要素である。 最先端のモーションプランナーは、厳密にキュレートされたデータセットで訓練される。 このようなシナリオを考慮できないことは、計画立案者に重大なリスクをもたらし、テスト中にインシデントを引き起こす可能性がある。 直感的な解決策は、シミュレータ(例えば、CARLA)をプログラムして実行することで、このようなシナリオを手作業で組み立てることである。 しかし、このアプローチは人件費を大幅に削減する。 そこで本研究では,より堅牢な移動プランナを訓練するための,多様な重要な交通シナリオを生成するための安価な手法を提案する。 まず、トラフィックシナリオをスクリプトとして表現し、次にシミュレータがトラフィックシナリオを生成する。 次に,Large Language Model (LLM) がテキスト内学習を用いてスクリプトに変換する,ユーザ指定のテキスト記述を受け入れる手法を提案する。 出力スクリプトは、対応するトラフィックシナリオを生成するシミュレータに送られる。 提案手法は, 交通シナリオを多量に生成できるため, 運動プランナの総合訓練データとして利用することができる。 生成されたシナリオの価値を示すために、私たちは既存のモーションプランナーを、我々の合成データ、実世界のデータセット、両方の組み合わせに基づいて訓練します。 実験の結果, 実世界のデータのみを学習したデータよりも, 学習したデータの方が有意に優れており, 合成データの有用性とデータ生成手法の有効性が示された。 私たちのソースコードはhttps://ezharjan.github.io/AutoSceneGenで公開されています。

関連論文リスト

• 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)
• Solving Motion Planning Tasks with a Scalable Generative Model [15.858076912795621]
  本稿では,運転シーンのダイナミクスを学習する生成モデルに基づく効率的な解を提案する。 我々の革新的なデザインは、モデルがフルオートレグレッシブモードとパーシャルオートレグレッシブモードの両方で動作できるようにする。 提案した生成モデルは,様々な動作計画タスクの基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-07-03T03:57:05Z)
• Towards learning-based planning:The nuPlan benchmark for real-world autonomous driving [2.6855803445552233]
  nuPlanは世界初の実世界の自動運転データセットとベンチマークである。 このベンチマークは、MLベースのプランナーがさまざまな運転状況に対処できる能力をテストするために設計されている。 本稿では,多数のベースラインの詳細な解析を行い,MLに基づく手法と従来の手法とのギャップについて検討する。
  論文  参考訳（メタデータ） (2024-03-07T01:24:59Z)
• 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)
• 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)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
  本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。 私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2021-03-22T13:42:11Z)
• 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)
• 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。