Fugu-MT 論文翻訳(概要): Conditional Prediction by Simulation for Automated Driving

論文の概要: Conditional Prediction by Simulation for Automated Driving

arxiv url: http://arxiv.org/abs/2502.03286v1
Date: Wed, 05 Feb 2025 15:44:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-06 14:26:35.362372
Title: Conditional Prediction by Simulation for Automated Driving
Title（参考訳）: 自動走行のシミュレーションによる条件予測
Authors: Fabian Konstantinidis, Moritz Sackmann, Ulrich Hofmann, Christoph Stiller,
Abstract要約: この研究は、軌道間の条件依存をモデル化する予測モデルを導入する。自動走行車に対する様々な候補軌道を仮定することにより,それぞれに条件付き予測を生成する。
参考スコア（独自算出の注目度）: 4.6557204473595055
License:
Abstract: Modular automated driving systems commonly handle prediction and planning as sequential, separate tasks, thereby prohibiting cooperative maneuvers. To enable cooperative planning, this work introduces a prediction model that models the conditional dependencies between trajectories. For this, predictions are generated by a microscopic traffic simulation, with the individual traffic participants being controlled by a realistic behavior model trained via Adversarial Inverse Reinforcement Learning. By assuming various candidate trajectories for the automated vehicle, we generate predictions conditioned on each of them. Furthermore, our approach allows the candidate trajectories to adapt dynamically during the prediction rollout. Several example scenarios are available at https://conditionalpredictionbysimulation.github.io/.
Abstract（参考訳）: モジュール式自動運転システムは、一般的に予測と計画を連続的な個別のタスクとして扱うため、協調的な操作を禁止している。協調計画を可能にするために,軌道間の条件依存をモデル化する予測モデルを導入する。このために、予測は微視的な交通シミュレーションによって生成され、個々の交通参加者は、逆逆強化学習を通じて訓練された現実的な行動モデルによって制御される。自動走行車に対する様々な候補軌道を仮定することにより,それぞれに条件付き予測を生成する。さらに,本手法により,予測ロールアウト中に候補軌道を動的に適応させることができる。いくつかの例はhttps://conditionalpredictionbysimulation.github.io/で公開されている。

関連論文リスト

Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文参考訳（メタデータ） (2024-06-15T18:53:45Z)
AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文参考訳（メタデータ） (2024-03-20T06:22:37Z)
Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。離散潜在モード上での完全反応性閉ループ計画を提案する。当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
論文参考訳（メタデータ） (2024-03-12T01:00:52Z)
PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
論文参考訳（メタデータ） (2023-11-14T11:53:24Z)
Pixel State Value Network for Combined Prediction and Planning in Interactive Environments [9.117828575880303]
本研究は,予測と計画を組み合わせた深層学習手法を提案する。 U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
論文参考訳（メタデータ） (2023-10-11T17:57:13Z)
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)
ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning [32.71073060698739]
軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。政策計画に基づく軌道予測モデルであるScePTを提案する。明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
論文参考訳（メタデータ） (2022-06-18T00:00:02Z)
Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文参考訳（メタデータ） (2022-04-28T07:37:21Z)
Scene Transformer: A unified multi-task model for behavior prediction and planning [42.758178896204036]
実世界の運転環境における全てのエージェントの行動予測モデルを定式化する。近年の言語モデリングアプローチにインスパイアされた我々は、マスキング戦略をモデルに対するクエリとして使用しています。我々は,行動予測のための自律走行データセットに対するアプローチを評価し,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-06-15T20:20:44Z)
Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
論文参考訳（メタデータ） (2020-11-06T20:37:15Z)
PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。