論文の概要: TaCarla: A comprehensive benchmarking dataset for end-to-end autonomous driving
- arxiv url: http://arxiv.org/abs/2602.23499v1
- Date: Thu, 26 Feb 2026 21:16:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.129273
- Title: TaCarla: A comprehensive benchmarking dataset for end-to-end autonomous driving
- Title（参考訳）: TaCarla: エンドツーエンドの自動運転のための総合的なベンチマークデータセット
- Authors: Tugrul Gorgulu, Atakan Dag, M. Esat Kalfaoglu, Halil Ibrahim Kuru, Baris Can Cam, Ozsel Kilinc,
- Abstract要約: さまざまなLeadboard 2.0チャレンジシナリオに対して,CARLAシミュレーション環境を使用して,285万フレームを越える新たなデータセットを収集した。
我々のデータセットは、計画タスクだけでなく、動的オブジェクト検出、車線分割検出、センターライン検出、トラフィック光認識、予測タスク、視覚言語行動モデルもサポートしています。
- 参考スコア（独自算出の注目度）: 3.037642191465275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting a high-quality dataset is a critical task that demands meticulous attention to detail, as overlooking certain aspects can render the entire dataset unusable. Autonomous driving challenges remain a prominent area of research, requiring further exploration to enhance the perception and planning performance of vehicles. However, existing datasets are often incomplete. For instance, datasets that include perception information generally lack planning data, while planning datasets typically consist of extensive driving sequences where the ego vehicle predominantly drives forward, offering limited behavioral diversity. In addition, many real datasets struggle to evaluate their models, especially for planning tasks, since they lack a proper closed-loop evaluation setup. The CARLA Leaderboard 2.0 challenge, which provides a diverse set of scenarios to address the long-tail problem in autonomous driving, has emerged as a valuable alternative platform for developing perception and planning models in both open-loop and closed-loop evaluation setups. Nevertheless, existing datasets collected on this platform present certain limitations. Some datasets appear to be tailored primarily for limited sensor configuration, with particular sensor configurations. To support end-to-end autonomous driving research, we have collected a new dataset comprising over 2.85 million frames using the CARLA simulation environment for the diverse Leaderboard 2.0 challenge scenarios. Our dataset is designed not only for planning tasks but also supports dynamic object detection, lane divider detection, centerline detection, traffic light recognition, prediction tasks and visual language action models . Furthermore, we demonstrate its versatility by training various models using our dataset. Moreover, we also provide numerical rarity scores to understand how rarely the current state occurs in the dataset.
- Abstract（参考訳）: 高品質なデータセットの収集は、特定の側面を見渡すことでデータセット全体を使用不能にすることができるため、詳細に細心の注意を要する重要なタスクである。
自動運転の課題は依然として研究の顕著な領域であり、車両の認識と計画性能を高めるためにさらなる調査が必要である。
しかし、既存のデータセットはしばしば不完全である。
例えば、知覚情報を含むデータセットには計画データがないのが一般的だが、計画データセットは通常、エゴ車両が主に前進する広範囲な運転シーケンスで構成されており、行動の多様性が制限されている。
さらに、多くの実際のデータセットは、適切なクローズドループ評価設定がないため、特に計画タスクにおいて、モデルを評価するのに苦労している。
CARLA Leaderboard 2.0チャレンジは、自動運転における長期的問題に対処するためのさまざまなシナリオを提供するもので、オープンループおよびクローズループ評価設定の両方で知覚と計画モデルを開発するための、貴重な代替プラットフォームとして登場した。
それでも、このプラットフォームで収集された既存のデータセットには、一定の制限がある。
いくつかのデータセットは、主にセンサー構成が限定されたセンサー構成用に調整されているように見える。
エンドツーエンドの自動運転研究を支援するため、CARLAシミュレーション環境を用いて、285万フレームを超える新しいデータセットを収集した。
私たちのデータセットは、計画タスクだけでなく、動的オブジェクト検出、車線分割検出、センターライン検出、トラフィック光認識、予測タスク、視覚言語アクションモデルもサポートしています。
さらに、データセットを用いて様々なモデルをトレーニングすることで、その汎用性を実証する。
さらに、データセットに現在の状態がどれだけ稀であるかを理解するために、数値的な希薄スコアも提供する。
関連論文リスト
- Advancing Real-World Parking Slot Detection with Large-Scale Dataset and Semi-Supervised Baseline [65.25540269603553]
本研究では,駐車環境を包括的に観察するサラウンドビューカメラを用いた駐車スロット検出に焦点を当てた。
まず,大規模駐車スロット検出データセット(CRPS-D)を構築した。
SS-PSDと呼ばれる駐車スロット検出のための半教師付きベースラインを開発し、ラベルのないデータを活用することにより、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2025-09-16T14:50:19Z) - ROVR-Open-Dataset: A Large-Scale Depth Dataset for Autonomous Driving [62.9051914830949]
実世界の運転の複雑さを捉えるために設計された,大規模で多様で費用効率のよい深度データセットであるROVRを提案する。
軽量な取得パイプラインは、スケーラブルなコレクションを保証すると同時に、統計的に十分な基礎的真実は堅牢なトレーニングをサポートする。
最先端の単分子深度モデルによるベンチマークでは、厳密なクロスデータセットの一般化失敗が示される。
論文 参考訳（メタデータ） (2025-08-19T16:13:49Z) - D2E-An Autonomous Decision-making Dataset involving Driver States and Human Evaluation [6.890077875318333]
Driver to Evaluationデータセット(D2E)は、自律的な意思決定データセットである。
運転状態、車両状態、環境状況、および人間レビュアーによる評価スコアに関するデータが含まれている。
D2Eは、人間のドライバーファクターから評価結果をカバーする1100以上の対話運転ケースデータを含んでいる。
論文 参考訳（メタデータ） (2024-04-12T21:29:18Z) - SCANIA Component X Dataset: A Real-World Multivariate Time Series Dataset for Predictive Maintenance [5.557442038265024]
本稿では,SCANIAトラック群をまたいだ1つの匿名化エンジンコンポーネント(Component X)から収集した実世界の多変量時系列データセットを紹介する。
データセットには、オペレーショナルデータ、リカバリレコード、コンポーネントXに関する仕様が含まれ、匿名化による機密性を維持している。
分類、回帰、生存分析、異常検出など、幅広い機械学習アプリケーションに適している。
論文 参考訳（メタデータ） (2024-01-26T20:51:55Z) - A Survey on Autonomous Driving Datasets: Statistics, Annotation Quality, and a Future Outlook [24.691922611156937]
複数の視点から265個の自律走行データセットを網羅的に検討した。
我々は、新しいデータセットを作成するためのガイドとしても使えるデータセットの影響を評価するための新しい指標を紹介します。
我々は、将来の自動運転データセットの現在の課題と開発動向について論じる。
論文 参考訳（メタデータ） (2024-01-02T22:35:33Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳（メタデータ） (2023-01-02T00:36:22Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳（メタデータ） (2022-10-23T23:03:17Z) - DOLPHINS: Dataset for Collaborative Perception enabled Harmonious and
Interconnected Self-driving [19.66714697653504]
V2Xネットワークは、自動運転における協調的な認識を可能にしている。
データセットの欠如は、協調認識アルゴリズムの開発を著しく妨げている。
DOLPHINS: cOllaborative Perception を実現するためのデータセットである Harmonious と Inter connected Self-driving をリリースする。
論文 参考訳（メタデータ） (2022-07-15T17:07:07Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z)
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。