論文の概要: Exploring Semantic Clustering and Similarity Search for Heterogeneous Traffic Scenario Graph

• arxiv url: http://arxiv.org/abs/2507.05086v1
• Date: Mon, 07 Jul 2025 15:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.468318
• Title: Exploring Semantic Clustering and Similarity Search for Heterogeneous Traffic Scenario Graph
• Title（参考訳）: 不均一交通シナリオグラフのセマンティッククラスタリングと類似性探索
• Authors: Ferdinand Mütsch, Maximilian Zipfl, Nikolai Polley, J. Marius Zöllner,
• Abstract要約: まず,交通シナリオを表現するための表現的かつ柔軟な異種時間グラフモデルを提案する。 次に,シナリオグラフに対する普遍的な埋め込み空間を学習するための自己教師付き手法を提案する。 特に、ブートストラップに基づくアプローチとともに、対照的な学習を実装し、シナリオ空間に対するそれらの適合性を評価する。
• 参考スコア（独自算出の注目度）: 41.2584175136191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scenario-based testing is an indispensable instrument for the comprehensive validation and verification of automated vehicles (AVs). However, finding a manageable and finite, yet representative subset of scenarios in a scalable, possibly unsupervised manner is notoriously challenging. Our work is meant to constitute a cornerstone to facilitate sample-efficient testing, while still capturing the diversity of relevant operational design domains (ODDs) and accounting for the "long tail" phenomenon in particular. To this end, we first propose an expressive and flexible heterogeneous, spatio-temporal graph model for representing traffic scenarios. Leveraging recent advances of graph neural networks (GNNs), we then propose a self-supervised method to learn a universal embedding space for scenario graphs that enables clustering and similarity search. In particular, we implement contrastive learning alongside a bootstrapping-based approach and evaluate their suitability for partitioning the scenario space. Experiments on the nuPlan dataset confirm the model's ability to capture semantics and thus group related scenarios in a meaningful way despite the absence of discrete class labels. Different scenario types materialize as distinct clusters. Our results demonstrate how variable-length traffic scenarios can be condensed into single vector representations that enable nearest-neighbor retrieval of representative candidates for distinct scenario categories. Notably, this is achieved without manual labeling or bias towards an explicit objective such as criticality. Ultimately, our approach can serve as a basis for scalable selection of scenarios to further enhance the efficiency and robustness of testing AVs in simulation.
• Abstract（参考訳）: シナリオベースのテストは、自動車両(AV)の包括的な検証と検証に不可欠である。 しかし、管理可能で有限だが代表的なシナリオのサブセットをスケーラブルで、おそらく教師なしの方法で見つけることは、非常に難しい。 我々の研究は、サンプル効率テストを促進するための基盤となると同時に、関連する運用設計領域(ODD)の多様性を捉えながら、特に「ロングテール」現象を考慮に入れていくことを目的としています。 そこで我々はまず,交通シナリオを表現するための表現的で柔軟なヘテロジニアスな時空間グラフモデルを提案する。 グラフニューラルネットワーク(GNN)の最近の進歩を活用して、クラスタリングと類似性探索を可能にするシナリオグラフの普遍的な埋め込み空間を学習するための自己教師付き手法を提案する。 特に、ブートストラップに基づく手法と対比学習を実装し、シナリオ空間を分割する際の適合性を評価する。 nuPlanデータセットの実験では、個別のクラスラベルがないにもかかわらず、セマンティクスをキャプチャするモデルの能力を確認し、関連するシナリオを意味のある方法でグループ化する。 異なるシナリオタイプは、異なるクラスタとして実現される。 提案手法は,変数長の交通シナリオを1つのベクトル表現に縮合して,異なるシナリオカテゴリの候補候補を最寄りで検索する方法を示す。 特に、これは批判のような明確な目的に対する手動のラベル付けや偏見なしで達成される。 究極的には、我々の手法はシナリオのスケーラブルな選択の基礎として機能し、シミュレーションにおけるAVのテストの効率性と堅牢性をさらに高めることができる。

関連論文リスト

• Towards Predicting Any Human Trajectory In Context [10.332817296500533]
  歩行者軌道予測のためのインコンテキスト学習フレームワークであるTrajICLを紹介する。 TrajICLはシナリオ固有のデータを微調整することなく、迅速な適応を可能にする。 我々は、予測能力を高めるために、大規模な合成データセットでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2025-06-01T07:18:47Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation [18.897103921181255]
  交通自動化のためのインテリジェントシステムを備えた車両のシナリオエンジニアリングを行うためのVistaScenarioフレームワークを提案する。 要約された車種間相互作用に基づいて、シナリオ進化ツリーを介してシナリオデータストリームをセグメントに分割する。 また,グラフツリーとダイナミック・タイム・ウォーピングに基づくシナリオ・メトリック・グラフ-DTWを提案し,シナリオ比較とラベル付けを行う。
  論文  参考訳（メタデータ） (2024-02-12T15:34:04Z)
• Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
  シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。 シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。 本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T20:51:24Z)
• Traffic Scene Similarity: a Graph-based Contrastive Learning Approach [4.451479907610764]
  本稿では,グラフを用いて意味のある埋め込み空間を構築することを目的とした,コントラスト学習手法の拡張を提案する。 本手法は,シーン固有の特徴を用いたシーンの連続的なマッピングと,理論的に類似したクラスタの形成を示す。 検出されたクラスタに基づいて、同様のシーンがその後のテストプロセスで識別できるため、冗長なテストの実行が削減される可能性がある。
  論文  参考訳（メタデータ） (2023-09-18T12:35:08Z)
• Traffic Scenario Clustering by Iterative Optimisation of Self-Supervised Networks Using a Random Forest Activation Pattern Similarity [0.9711326718689492]
  本研究では,Random Forest Activation Pattern (RFAP) と呼ばれる,新たなデータ適応類似度測定に基づくクラスタリング手法を提案する。 RFAP類似性はランダムフォレストアルゴリズムのツリー符号化スキームを用いて生成される。 この研究で提案されるクラスタリング手法は,ラベル付きシナリオが利用可能であること,ラベル付きシナリオからの情報は,非ラベル付きシナリオのクラスタリングをガイドする上で有効である。
  論文  参考訳（メタデータ） (2021-05-17T06:54:59Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)

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。