論文の概要: SafeAug: Safety-Critical Driving Data Augmentation from Naturalistic Datasets

• arxiv url: http://arxiv.org/abs/2501.02143v1
• Date: Fri, 03 Jan 2025 23:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 16:36:50.883997
• Title: SafeAug: Safety-Critical Driving Data Augmentation from Naturalistic Datasets
• Title（参考訳）: SafeAug: 自然主義的データセットによる安全クリティカルな運転データ拡張
• Authors: Zhaobin Mo, Yunlong Li, Xuan Di,
• Abstract要約: 本稿では,この問題に対処するために,自然主義的データセットから安全クリティカルな運転データを強化する新しい枠組みを提案する。 本フレームワークでは、まずYOLOv5を用いて車両を検知し、次いで深度推定と3次元変換を行い、車両近接と臨界運転シナリオをより良くシミュレートする。 シミュレーションデータや人工的なデータと比較すると,画像の信頼性を損なうことなく,安全クリティカルな運転データを生成することができる。
• 参考スコア（独自算出の注目度）: 7.865191493201841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety-critical driving data is crucial for developing safe and trustworthy self-driving algorithms. Due to the scarcity of safety-critical data in naturalistic datasets, current approaches primarily utilize simulated or artificially generated images. However, there remains a gap in authenticity between these generated images and naturalistic ones. We propose a novel framework to augment the safety-critical driving data from the naturalistic dataset to address this issue. In this framework, we first detect vehicles using YOLOv5, followed by depth estimation and 3D transformation to simulate vehicle proximity and critical driving scenarios better. This allows for targeted modification of vehicle dynamics data to reflect potentially hazardous situations. Compared to the simulated or artificially generated data, our augmentation methods can generate safety-critical driving data with minimal compromise on image authenticity. Experiments using KITTI datasets demonstrate that a downstream self-driving algorithm trained on this augmented dataset performs superiorly compared to the baselines, which include SMOGN and importance sampling.
• Abstract（参考訳）: 安全クリティカルな運転データは、安全で信頼性の高い自動運転アルゴリズムの開発に不可欠である。 自然主義的データセットにおける安全クリティカルなデータが不足しているため、現在のアプローチは主にシミュレーションまたは人工的に生成された画像を利用する。 しかし、これらの生成画像と自然主義画像の間には、信頼性のギャップが残っている。 本稿では,この問題に対処するために,自然主義的データセットから安全クリティカルな運転データを強化する新しい枠組みを提案する。 このフレームワークでは、まずYOLOv5を用いて車両を検知し、続いて深度推定と3次元変換を行い、車両近接と臨界運転シナリオをより良くシミュレートする。 これにより、車両のダイナミックスデータを標的に修正して、潜在的に危険な状況を反映することができる。 シミュレーションデータや人工的なデータと比較すると,画像の信頼性を損なうことなく,安全クリティカルな運転データを生成することができる。 KITTIデータセットを使用した実験では、この拡張データセットでトレーニングされた下流の自動運転アルゴリズムが、SMOGNや重要サンプリングを含むベースラインよりも優れていることが示されている。

関連論文リスト

• RS2V-L: Vehicle-Mounted LiDAR Data Generation from Roadside Sensor Observations [4.219537240663029]
  RS2V-Lは道路センサ観測から車載LiDARデータを再構成・合成するための新しいフレームワークである。 我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
  論文  参考訳（メタデータ） (2025-03-10T09:08:05Z)
• Enhancing Autonomous Driving Safety with Collision Scenario Integration [36.83682052117178]
  衝突データから学習するためのトレーニングフレームワークであるSafeFusionを提案する。 SafeFusionは、模倣学習を過度に検討する代わりに、トレーニング中に安全指向のメトリクスを統合して、衝突回避学習を可能にする。 また、多様な高品質なシナリオを生成するスケーラブルなデータ生成パイプラインであるCollisionGenを提案する。
  論文  参考訳（メタデータ） (2025-03-05T23:08:43Z)
• 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)
• 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)
• RainSD: Rain Style Diversification Module for Image Synthesis Enhancement using Feature-Level Style Distribution [5.500457283114346]
  本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。 このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。 深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
  論文  参考訳（メタデータ） (2023-12-31T11:30:42Z)
• 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)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• KING: Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients [39.9379344872937]
  現在の運転シミュレータは、バックグラウンドトラフィックの「行動モデル」を示す。 手動のシナリオは通常、安全クリティカルな状況を引き起こすシミュレーション中に追加される。 ブラックボックス最適化よりも20%高い成功率で安全クリティカルな運転シナリオを生成するKINGを提案する。
  論文  参考訳（メタデータ） (2022-04-28T17:48:48Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• 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)
• Enhanced Transfer Learning for Autonomous Driving with Systematic Accident Simulation [3.2456691142503256]
  シミュレーションデータセット上での伝達学習は、より優れた一般化と衝突回避をもたらすことを示す。 シミュレーションデータに基づいてトレーニングされたモデルから得られた情報は,実世界のデータに基づいてトレーニングされたモデルに推測可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-23T17:27:00Z)

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。