論文の概要: DISC: Dataset for Analyzing Driving Styles In Simulated Crashes for Mixed Autonomy

• arxiv url: http://arxiv.org/abs/2502.00050v1
• Date: Tue, 28 Jan 2025 15:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-09 04:50:34.737465
• Title: DISC: Dataset for Analyzing Driving Styles In Simulated Crashes for Mixed Autonomy
• Title（参考訳）: DISC: 混合自律性のためのシミュレーションクレーシュにおける運転スタイル分析用データセット
• Authors: Sandip Sharan Senthil Kumar, Sandeep Thalapanane, Guru Nandhan Appiya Dilipkumar Peethambari, Sourang SriHari, Laura Zheng, Ming C. Lin,
• Abstract要約: DISC(Driving Styles In Simulated Crashes)は、混合自律分析のための事前クラッシュシナリオで駆動スタイルをキャプチャする最初のデータセットの1つである。 DISCには、シミュレートされた車両をナビゲートする数百人のドライバーの運転スタイル/行動のクラスが8以上含まれている。 データは、12のシミュレートされた事故シナリオに遭遇する人間のドライバーに関するドライバー中心の研究を通じて収集された。
• 参考スコア（独自算出の注目度）: 13.365522429680547
• License:
• Abstract: Handling pre-crash scenarios is still a major challenge for self-driving cars due to limited practical data and human-driving behavior datasets. We introduce DISC (Driving Styles In Simulated Crashes), one of the first datasets designed to capture various driving styles and behaviors in pre-crash scenarios for mixed autonomy analysis. DISC includes over 8 classes of driving styles/behaviors from hundreds of drivers navigating a simulated vehicle through a virtual city, encountering rare-event traffic scenarios. This dataset enables the classification of pre-crash human driving behaviors in unsafe conditions, supporting individualized trajectory prediction based on observed driving patterns. By utilizing a custom-designed VR-based in-house driving simulator, TRAVERSE, data was collected through a driver-centric study involving human drivers encountering twelve simulated accident scenarios. This dataset fills a critical gap in human-centric driving data for rare events involving interactions with autonomous vehicles. It enables autonomous systems to better react to human drivers and optimize trajectory prediction in mixed autonomy environments involving both human-driven and self-driving cars. In addition, individual driving behaviors are classified through a set of standardized questionnaires, carefully designed to identify and categorize driving behavior traits. We correlate data features with driving behaviors, showing that the simulated environment reflects real-world driving styles. DISC is the first dataset to capture how various driving styles respond to accident scenarios, offering significant potential to enhance autonomous vehicle safety and driving behavior analysis in mixed autonomy environments.
• Abstract（参考訳）: 現実的なデータや人間の行動データセットが限られているため、自動運転車のシナリオの処理は依然として大きな課題だ。 DISC(Driving Styles In Simulated Crashes)は、さまざまな運転スタイルや振る舞いを、混在した自律分析のためのプレクラッシュシナリオでキャプチャするために設計された、最初のデータセットの1つである。 DISCには、仮想都市を通ってシミュレートされた車両をナビゲートする数百人のドライバーによる8種類以上の運転スタイル/行動が含まれており、希少な交通シナリオに直面している。 このデータセットは、安全でない条件下での事前の人間の運転行動の分類を可能にし、観察された運転パターンに基づいた個別の軌道予測をサポートする。 カスタムデザインのVRベースの社内運転シミュレータTRAVERSEを利用することで、12のシミュレートされた事故シナリオに遭遇する人間ドライバーに関するドライバー中心の研究を通じてデータを収集した。 このデータセットは、自動運転車とのインタラクションを含むまれな事象に対して、人間中心の運転データにおいて重要なギャップを埋める。 自動運転車は、人間のドライバーとよりよく反応し、人間の運転と自動運転車の両方を含む混合自律環境における軌道予測を最適化することができる。 また,運転行動の特徴を識別・分類するために,個別の運転行動は標準化されたアンケートによって分類される。 データ特徴と運転行動とを相関させ,シミュレーション環境が実世界の運転スタイルを反映していることを示す。 DISCは、さまざまな運転スタイルが事故シナリオにどのように反応するかをキャプチャする最初のデータセットであり、混合自律環境における自動運転車の安全性と運転行動分析を強化する重要な可能性を提供する。

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)
• Situation Awareness for Driver-Centric Driving Style Adaptation [3.568617847600189]
  本稿では,車両データに基づいて事前学習した視覚特徴エンコーダに基づく状況認識型運転スタイルモデルを提案する。 実験の結果,提案手法は静的な運転スタイルを著しく上回り,高い状況クラスタを形成していることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:19:16Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Decision Making for Autonomous Driving in Interactive Merge Scenarios via Learning-based Prediction [39.48631437946568]
  本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。 我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。 POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
  論文  参考訳（メタデータ） (2023-03-29T16:12:45Z)
• Editing Driver Character: Socially-Controllable Behavior Generation for Interactive Traffic Simulation [29.623575243494475]
  交通シミュレーションは、自動運転計画システムの評価と改善において重要な役割を果たす。 自動運転車がさまざまな対話的な交通シナリオで安全かつ効率的な操作を確実にするためには、自動運転車を反応性のあるエージェントに対して評価する必要がある。 本研究では,この目的のために社会的に制御可能な行動生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-24T06:38:42Z)
• 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)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Online Adaptation of Parameters using GRU-based Neural Network with BO for Accurate Driving Model [0.8433000039153409]
  運転モデル(DM)のキャリブレーションは、シミュレーションされた運転動作を人間の運転行動に近づける。 従来のDM校正法は、運転中にDMのパラメータが異なることを考慮しない。 実車追従動作をより正確に再現するために,人間の運転スタイルを測定するDM校正手法を提案する。
  論文  参考訳（メタデータ） (2021-09-24T03:07:12Z)
• 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)
• Deep Reinforcement Learning for Human-Like Driving Policies in Collision Avoidance Tasks of Self-Driving Cars [1.160208922584163]
  自動運転ポリシーを生成するために,モデルフリーで深層強化学習手法を導入する。 本研究では,2車線道路における静的障害物回避タスクをシミュレーションで検討する。 このアプローチが人間ライクな運転ポリシーにつながることを実証します。
  論文  参考訳（メタデータ） (2020-06-07T18:20:33Z)

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。