論文の概要: Scenario Dreamer: Vectorized Latent Diffusion for Generating Driving Simulation Environments

• arxiv url: http://arxiv.org/abs/2503.22496v1
• Date: Fri, 28 Mar 2025 15:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:21.358301
• Title: Scenario Dreamer: Vectorized Latent Diffusion for Generating Driving Simulation Environments
• Title（参考訳）: シナリオドリーマー:運転シミュレーション環境生成のためのベクトル潜在拡散
• Authors: Luke Rowe, Roger Girgis, Anthony Gosselin, Liam Paull, Christopher Pal, Felix Heide,
• Abstract要約: 自動運転車計画のための完全データ駆動生成シミュレータであるScenario Dreamerを紹介した。 レーングラフとエージェントバウンディングボックスで構成される初期トラフィックシーンとクローズドループエージェントの動作の両方を生成する。 ケーススタディによると、Scenario Dreamerは、最強のベースラインに比べて、パラメータが約2倍、世代が6倍、トレーニング時間が10倍の優れた生成品質を達成している。
• 参考スコア（独自算出の注目度）: 39.649242431308544
• License:
• Abstract: We introduce Scenario Dreamer, a fully data-driven generative simulator for autonomous vehicle planning that generates both the initial traffic scene - comprising a lane graph and agent bounding boxes - and closed-loop agent behaviours. Existing methods for generating driving simulation environments encode the initial traffic scene as a rasterized image and, as such, require parameter-heavy networks that perform unnecessary computation due to many empty pixels in the rasterized scene. Moreover, we find that existing methods that employ rule-based agent behaviours lack diversity and realism. Scenario Dreamer instead employs a novel vectorized latent diffusion model for initial scene generation that directly operates on the vectorized scene elements and an autoregressive Transformer for data-driven agent behaviour simulation. Scenario Dreamer additionally supports scene extrapolation via diffusion inpainting, enabling the generation of unbounded simulation environments. Extensive experiments show that Scenario Dreamer outperforms existing generative simulators in realism and efficiency: the vectorized scene-generation base model achieves superior generation quality with around 2x fewer parameters, 6x lower generation latency, and 10x fewer GPU training hours compared to the strongest baseline. We confirm its practical utility by showing that reinforcement learning planning agents are more challenged in Scenario Dreamer environments than traditional non-generative simulation environments, especially on long and adversarial driving environments.
• Abstract（参考訳）: 我々は、車線グラフとエージェントバウンディングボックスからなる初期トラフィックシーンとクローズドループエージェントの挙動の両方を生成する、完全データ駆動の自動運転車計画用生成シミュレータであるScenario Dreamerを紹介した。 初期トラフィックシーンをラスタ化画像として符号化し、ラスタ化シーンに多数の空の画素があるため、不要な計算を行うパラメータ重ネットワークを必要とする。 さらに,ルールに基づくエージェント行動を用いた既存手法では,多様性やリアリズムが欠如していることが判明した。 シナリオドリーマーは代わりに、ベクトル化されたシーン要素を直接操作する初期シーン生成のために、新しいベクトル化された潜在拡散モデルと、データ駆動エージェントの挙動シミュレーションのための自己回帰トランスフォーマーを使用する。 シナリオドリーマーは、拡散塗装によるシーン外挿もサポートし、無制限のシミュレーション環境の生成を可能にする。 ベクトル化されたシーン生成ベースモデルは、パラメータが約2倍、ジェネレーションレイテンシが6倍、GPUトレーニング時間が最強のベースラインに比べて10倍、優れた生成品質を達成する。 本研究では,従来の非世代シミュレーション環境,特に長距離・対向運転環境において,強化学習計画エージェントが従来の非世代シミュレーション環境よりも,シナリオドリーマー環境の方が課題であることを示すことにより,その実用性を確認した。

関連論文リスト

• SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
  シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。 SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。 テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
  論文  参考訳（メタデータ） (2024-06-13T17:58:32Z)
• DragTraffic: Interactive and Controllable Traffic Scene Generation for Autonomous Driving [10.90477019946728]
  DragTrafficは、条件付き拡散に基づく、汎用的でインタラクティブで制御可能なトラフィックシーン生成フレームワークである。 我々は回帰モデルを用いて、一般的な初期解と条件拡散モデルに基づく改良プロセスを提供し、多様性を保証する。 実世界の運転データセットの実験によると、DragTrafficは信頼性、多様性、自由度で既存の手法より優れている。
  論文  参考訳（メタデータ） (2024-04-19T04:49:28Z)
• SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent Diffusion Models [10.057312592344507]
  本研究では,SceneDMと呼ばれる拡散モデルに基づく新しいフレームワークを提案する。 SceneDMはSim Agents Benchmarkで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-11-27T11:39:27Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrajGen: Generating Realistic and Diverse Trajectories with Reactive and Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
  既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。 そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。 また,データ駆動型シミュレータI-Simを開発した。
  論文  参考訳（メタデータ） (2022-03-31T04:48:29Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• Imagining The Road Ahead: Multi-Agent Trajectory Prediction via Differentiable Simulation [17.953880589741438]
  軌道予測のための完全微分可能なシミュレータを用いた深部生成モデルを開発した。 本稿では,標準ニューラルアーキテクチャと標準変動訓練目標を用いて,インタラクションデータセットの最先端の結果を得る。 Imagining the Road Ahead" からモデル ITRA と命名した。
  論文  参考訳（メタデータ） (2021-04-22T17:48:08Z)
• 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)
• SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
  私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。 実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
  論文  参考訳（メタデータ） (2021-01-16T22:51:43Z)

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。