論文の概要: Driving scenario generation and evaluation using a structured layer representation and foundational models

• arxiv url: http://arxiv.org/abs/2511.01541v1
• Date: Mon, 03 Nov 2025 13:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.262839
• Title: Driving scenario generation and evaluation using a structured layer representation and foundational models
• Title（参考訳）: 構造層表現と基礎モデルを用いたシナリオ生成と評価
• Authors: Arthur Hubert, Gamal Elghazaly, Raphaël Frank,
• Abstract要約: 希少で挑戦的な運転シナリオは、自動運転車の開発に不可欠である。 稀なシナリオの評価と生成を改善するため,構造化された5層モデルを提案する。 本稿では,構造化表現の文脈における合成データセットの関連性を評価するための2つの指標について述べる。
• 参考スコア（独自算出の注目度）: 0.17205106391379021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rare and challenging driving scenarios are critical for autonomous vehicle development. Since they are difficult to encounter, simulating or generating them using generative models is a popular approach. Following previous efforts to structure driving scenario representations in a layer model, we propose a structured five-layer model to improve the evaluation and generation of rare scenarios. We use this model alongside large foundational models to generate new driving scenarios using a data augmentation strategy. Unlike previous representations, our structure introduces subclasses and characteristics for every agent of the scenario, allowing us to compare them using an embedding specific to our layer-model. We study and adapt two metrics to evaluate the relevance of a synthetic dataset in the context of a structured representation: the diversity score estimates how different the scenarios of a dataset are from one another, while the originality score calculates how similar a synthetic dataset is from a real reference set. This paper showcases both metrics in different generation setup, as well as a qualitative evaluation of synthetic videos generated from structured scenario descriptions. The code and extended results can be found at https://github.com/Valgiz/5LMSG.
• Abstract（参考訳）: 希少で挑戦的な運転シナリオは、自動運転車の開発に不可欠である。 遭遇が難しいため、生成モデルを使ってそれらをシミュレートまたは生成することが一般的なアプローチである。 従来のレイヤモデルにおけるシナリオ表現の構築に続き,レアシナリオの評価と生成を改善するため,構造化された5層モデルを提案する。 我々はこのモデルと大規模基盤モデルを用いて,データ拡張戦略を用いて新たな駆動シナリオを生成する。 従来の表現とは異なり、シナリオのすべてのエージェントのサブクラスと特徴を導入し、レイヤーモデル固有の埋め込みを使ってそれらを比較できます。 多様性スコアは、データセットのシナリオが互いにどのように異なるかを推定し、独創性スコアは、合成データセットが実際の参照セットとどのように似ているかを推定する。 本稿では,構成シナリオ記述から生成された合成ビデオの質的評価とともに,異なる生成環境におけるメトリクスについて述べる。 コードと拡張結果はhttps://github.com/Valgiz/5LMSGで確認できる。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Natural Language-Based Synthetic Data Generation for Cluster Analysis [4.13592995550836]
  クラスタ分析は、異なるアルゴリズムの評価と比較に有効なベンチマークに依存している。 本研究では,高レベルシナリオの直接仕様に基づく合成データ生成を提案する。 私たちのオープンソースのPythonパッケージは、このワークフローを実装しています。
  論文  参考訳（メタデータ） (2023-03-24T23:45:27Z)
• Next-Year Bankruptcy Prediction from Textual Data: Benchmark and Baselines [10.944533132358439]
  倒産予測のモデルは、いくつかの現実世界のシナリオで有用である。 共通のベンチマークデータセットと評価戦略の欠如は、モデル間の客観的比較を妨げる。 本稿では、新しいデータセットと確立されたデータセットに基づいて、構造化されていないデータシナリオに対するそのようなベンチマークを紹介する。
  論文  参考訳（メタデータ） (2022-08-24T07:11:49Z)
• Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
  ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。 画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。 本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:15:58Z)
• Learning deep autoregressive models for hierarchical data [0.6445605125467573]
  時間的畳み込みネットワーク(STCN)の拡張として,階層構造化データのモデルを提案する。 提案したモデルは,音声と手書きの2種類の連続データを用いて評価する。
  論文  参考訳（メタデータ） (2021-04-28T15:58:45Z)

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。