論文の概要: Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories

• arxiv url: http://arxiv.org/abs/2509.03515v1
• Date: Wed, 03 Sep 2025 17:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.620508
• Title: Can the Waymo Open Motion Dataset Support Realistic Behavioral Modeling? A Validation Study with Naturalistic Trajectories
• Title（参考訳）: Waymo Open Motion Datasetはリアルな行動モデリングをサポートできるか? : 自然主義的軌道を用いた検証研究
• Authors: Yanlin Zhang, Sungyong Chung, Nachuan Li, Dana Monzer, Hani S. Mahmassani, Samer H. Hamdar, Alireza Talebpour,
• Abstract要約: 本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。 我々は,信号化交差点での放電,車追従,車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。 その結果, PHX の挙動は WOMD の行動エンベロープの外側にあることが明らかとなった。
• 参考スコア（独自算出の注目度）: 4.250936281629339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Waymo Open Motion Dataset (WOMD) has become a popular resource for data-driven modeling of autonomous vehicles (AVs) behavior. However, its validity for behavioral analysis remains uncertain due to proprietary post-processing, the absence of error quantification, and the segmentation of trajectories into 20-second clips. This study examines whether WOMD accurately captures the dynamics and interactions observed in real-world AV operations. Leveraging an independently collected naturalistic dataset from Level 4 AV operations in Phoenix, Arizona (PHX), we perform comparative analyses across three representative urban driving scenarios: discharging at signalized intersections, car-following, and lane-changing behaviors. For the discharging analysis, headways are manually extracted from aerial video to ensure negligible measurement error. For the car-following and lane-changing cases, we apply the Simulation-Extrapolation (SIMEX) method to account for empirically estimated error in the PHX data and use Dynamic Time Warping (DTW) distances to quantify behavioral differences. Results across all scenarios consistently show that behavior in PHX falls outside the behavioral envelope of WOMD. Notably, WOMD underrepresents short headways and abrupt decelerations. These findings suggest that behavioral models calibrated solely on WOMD may systematically underestimate the variability, risk, and complexity of naturalistic driving. Caution is therefore warranted when using WOMD for behavior modeling without proper validation against independently collected data.
• Abstract（参考訳）: Waymo Open Motion Dataset (WOMD) は、自動運転車(AV)の振る舞いをデータ駆動モデリングするための一般的なリソースとなっている。 しかし, プロプライエタリな後処理, エラー定量化の欠如, トラジェクトリを20秒のクリップに分割するなど, 行動分析の妥当性はいまだ不明である。 本研究では,WOMDが実世界のAV操作で観測される力学と相互作用を正確に捉えているかどうかを検討する。 アリゾナ州フェニックス(PHX)のレベル4のAV運転から独立に収集された自然主義的データセットを活用し、信号交差点での放電、自動車追従、車線変更行動の3つの代表的な都市運転シナリオの比較分析を行った。 送風解析では,手動で空中映像からヘッドウェイを抽出し,測定誤差の低減を図る。 車両追従および車線変更の場合,PHXデータにおける経験的誤差を考慮したSIMEX法を適用し,動的時間ワープ(DTW)距離を用いて行動差の定量化を行う。 すべてのシナリオにわたる結果は、PHXの挙動がWOMDの行動エンベロープの外にあることを一貫して示している。 特に、WOMDは短いヘッドウェイと突然の減速を表現する。 これらの結果から,WOMDのみに分類された行動モデルは,自然主義運転の変動,リスク,複雑さを系統的に過小評価する可能性が示唆された。 したがって、独立して収集したデータに対して適切な検証を行うことなく、挙動モデリングにWOMDを使用する場合、注意が必要である。

関連論文リスト

• MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
  本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。 得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。 決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
  論文  参考訳（メタデータ） (2025-06-20T14:51:35Z)
• Uncertainty-aware Human Mobility Modeling and Anomaly Detection [24.22648449430148]
  生のGPSデータを連続的静止点イベントとしてモデル化した人間の行動における異常検出を定式化する。 提案したモデルUSTADとアレータティック不確実性推定を併用する。 実験の結果,USTADは産業規模データのベースライン以上でAUCROCの異常検出を3%-15%改善することがわかった。
  論文  参考訳（メタデータ） (2024-10-02T06:57:08Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows [13.540998552232006]
  本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。 この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。 我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
  論文  参考訳（メタデータ） (2023-05-22T15:09:04Z)
• Perception Imitation: Towards Synthesis-free Simulator for Autonomous Vehicles [45.27200446670184]
  本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。 実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
  論文  参考訳（メタデータ） (2023-04-19T01:27:02Z)
• Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving [0.0]
  車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。 同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。 効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
  論文  参考訳（メタデータ） (2023-04-04T15:47:42Z)
• Automatic extraction of similar traffic scenes from large naturalistic datasets using the Hausdorff distance [0.0]
  集合の数学的距離計量であるハウスドルフ距離を用いる4段階抽出法を提案する。 この方法により、コストと時間を要する運転シミュレーション実験を必要とせず、操作的および戦術的人間の行動の変動について検討することができる。
  論文  参考訳（メタデータ） (2022-06-17T06:59:51Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。