論文の概要: CARLA-Round: A Multi-Factor Simulation Dataset for Roundabout Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2601.12119v1
• Date: Sat, 17 Jan 2026 17:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.469786
• Title: CARLA-Round: A Multi-Factor Simulation Dataset for Roundabout Trajectory Prediction
• Title（参考訳）: CARLA-Round: 軌道予測のための多要素シミュレーションデータセット
• Authors: Xiaotong Zhou, Zhenhui Yuan, Yi Han, Tianhua Xu, Laurence T. Yang,
• Abstract要約: 本稿では,円周軌道予測のためのシミュレーションデータセットであるCARLA-Roundを提案する。 データセットは、気象条件や交通密度のレベルを構造化された方法で変更し、25のシナリオが制御される。 この体系的なアプローチは、構築された実世界のデータセットで分離できない因子の影響を定量化する。
• 参考スコア（独自算出の注目度）: 22.41745232240844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction of vehicles at roundabouts is critical for reducing traffic accidents, yet it remains highly challenging due to their circular road geometry, continuous merging and yielding interactions, and absence of traffic signals. Developing accurate prediction algorithms relies on reliable, multimodal, and realistic datasets; however, such datasets for roundabout scenarios are scarce, as real-world data collection is often limited by incomplete observations and entangled factors that are difficult to isolate. We present CARLA-Round, a systematically designed simulation dataset for roundabout trajectory prediction. The dataset varies weather conditions (five types) and traffic density levels (spanning Level-of-Service A-E) in a structured manner, resulting in 25 controlled scenarios. Each scenario incorporates realistic mixtures of driving behaviors and provides explicit annotations that are largely absent from existing datasets. Unlike randomly sampled simulation data, this structured design enables precise analysis of how different conditions influence trajectory prediction performance. Validation experiments using standard baselines (LSTM, GCN, GRU+GCN) reveal traffic density dominates prediction difficulty with strong monotonic effects, while weather shows non-linear impacts. The best model achieves 0.312m ADE on real-world rounD dataset, demonstrating effective sim-to-real transfer. This systematic approach quantifies factor impacts impossible to isolate in confounded real-world datasets. Our CARLA-Round dataset is available at https://github.com/Rebecca689/CARLA-Round.
• Abstract（参考訳）: ラウンドアバウンドでの車両の正確な軌道予測は、交通事故を減らすために重要であるが、その円形道路形状、連続的なマージと出力相互作用、交通信号の欠如により、非常に困難である。 正確な予測アルゴリズムを開発するには、信頼性が高く、マルチモーダルで、現実的なデータセットに依存するが、実際のデータ収集は、分離が困難な不完全な観測と絡み合った要因によって制限されるため、ラウンドアバウンドシナリオのデータセットは少ない。 CARLA-Roundは、円周軌道予測のための体系的に設計されたシミュレーションデータセットである。 データセットは、天候条件(5種類)とトラフィック密度レベル(サービスレベルのA-Eを拡大する)を構造化形式で変更し、25のシナリオが制御される。 各シナリオには、実際の運転行動の混合が含まれており、既存のデータセットにはほとんど欠落している明示的なアノテーションを提供する。 ランダムにサンプリングされたシミュレーションデータとは異なり、この構造化された設計は、異なる条件が軌道予測性能にどのように影響するかを正確に分析することができる。 標準ベースライン (LSTM, GCN, GRU+GCN) を用いた検証実験により, 交通密度は強い単調効果を伴う予測困難を支配し, 天気は非線形な影響を示す。 最良のモデルでは、実世界のRounDデータセット上で0.312mのADEを達成し、効率的なsim-to-real転送を実証する。 この体系的なアプローチは、構築された実世界のデータセットで分離できない因子の影響を定量化する。 CARLA-Roundデータセットはhttps://github.com/Rebecca689/CARLA-Roundで公開しています。

関連論文リスト

• Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework [0.30586855806896035]
  交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本稿では,適応的隣接性を利用したグラフニューラルネットワーク(GNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T15:25:43Z)
• A Pretrained Probabilistic Transformer for City-Scale Traffic Volume Prediction [8.384075654211685]
  都市規模の交通量予測は、インテリジェント交通システムにおいて重要な役割を担っている。 現在のモデルは一般的に都市特有の方法で訓練されており、その一般化を妨げている。 本稿では,トラジェクトリの分散アグリゲーションとしてトラフィックボリュームをモデル化する事前学習型確率変換器であるTrafficPPTを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T09:07:29Z)
• DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
  本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。 その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。 動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T03:00:33Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
  最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。 本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-17T01:11:07Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Learning to Simulate on Sparse Trajectory Data [26.718807213824853]
  本稿では,実世界のスパースデータから運転行動をシミュレートする学習問題に対処するための新しいフレームワーク imingail を提案する。 私たちの知る限りでは、行動学習問題に対するデータ疎結合問題に最初に取り組みます。
  論文  参考訳（メタデータ） (2021-03-22T13:42:11Z)

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。