論文の概要: ParkingScenes: A Structured Dataset for End-to-End Autonomous Parking in Simulation Scenes

• arxiv url: http://arxiv.org/abs/2604.22835v1
• Date: Mon, 20 Apr 2026 06:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.972394
• Title: ParkingScenes: A Structured Dataset for End-to-End Autonomous Parking in Simulation Scenes
• Title（参考訳）: ParkingScenes:シミュレーションシーンにおけるエンドツーエンドの自律駐車のための構造化データセット
• Authors: Haonan Chen, Kaiwen Xiao, Bin Tian, Jun Fu,
• Abstract要約: ParkingScenesは、シミュレーションシーンにおけるエンドツーエンドの自律駐車用に特別に設計された、包括的なマルチモーダルデータセットである。 CARLAシミュレータ上に構築されたParkingScenesは、ハイブリッドA*プランナーとモデル予測制御器(MPC)によって生成された、構造化された駐車軌跡を特徴としている。 各フレームには、RGBカメラ4台、深度センサー4台、車両の動き状態、バードズアイビュー(BEV)表示の同期データが含まれている。
• 参考スコア（独自算出の注目度）: 6.254345247181628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous parking remains a critical yet challenging task in intelligent driving systems, particularly within constrained urban environments where maneuvering space is limited and precise control is essential. While recent advances in end-to-end learning have shown great promise, the lack of high-quality, structured datasets tailored for parking scenarios remains a significant bottleneck.To address this gap, we present ParkingScenes, a comprehensive multimodal dataset specifically designed for end-to-end autonomous parking in simulated scenes. Built on the CARLA simulator, ParkingScenes features structured parking trajectories generated by a Hybrid A* planner and a Model Predictive Controller (MPC), providing accurate and reproducible supervision signals. The dataset includes 16 reverse-in and 6 parallel parking scenarios, each executed under two pedestrian conditions (present and absent), resulting in 704 structured episodes and approximately 105000 frames. Each scenario is repeated 16 times to ensure consistent coverage. Each frame contains synchronized data from four RGB cameras, four depth sensors, vehicle motion states, and Bird's-Eye View (BEV) representations, enabling rich multimodal fusion and context-aware learning. To demonstrate the utility of our dataset, we compare models trained on ParkingScenes with those trained on unstructured, manually collected simulation data under identical conditions. Results show significant improvements in performance, underscoring the effectiveness of structured supervision for robust and accurate parking policy learning. By releasing both the dataset and the collection framework, ParkingScenes establishes a scalable and reproducible benchmark for advancing learning-based autonomous parking systems. The dataset and collection framework will be released at: https://github.com/haonan-ai/ParkingScenes
• Abstract（参考訳）: 自律駐車は、知的運転システムにおいて、特に操舵スペースが制限され、正確な制御が不可欠である制約のある都市環境では、依然として重要な課題である。 近年のエンドツーエンド学習の進歩は大きな可能性を秘めているが、駐車シナリオに適した高品質な構造化データセットの欠如は大きなボトルネックであり、このギャップに対処するために、シミュレーションシーンでエンドツーエンドの自律駐車用に特別に設計された包括的なマルチモーダルデータセットであるParkingScenesを紹介した。 CARLAシミュレータ上に構築されたParkingScenesは、ハイブリッドA*プランナーとモデル予測制御器(MPC)によって生成された、正確な再現可能な監視信号を提供する。 データセットには、16のリバースインと6つの並列駐車シナリオが含まれており、それぞれが2つの歩行者条件(現在と不在)の下で実行される。 各シナリオは16回繰り返して、一貫したカバレッジを保証する。 各フレームには、RGBカメラ4台、深度センサー4台、車両の動き状態、およびバードズ・アイビュー(BEV)表現の同期データが含まれており、リッチなマルチモーダル融合とコンテキスト認識学習を可能にしている。 データセットの有用性を実証するために、ParkingScenesでトレーニングされたモデルと、同じ条件下で手動で収集された非構造化のシミュレーションデータでトレーニングされたモデルを比較した。 その結果, 頑健かつ正確な駐車政策学習における構造的監督の有効性を実証し, 性能を著しく向上させた。 データセットと収集フレームワークの両方をリリースすることにより、ParkingScenesは、学習ベースの自律駐車システムを改善するためのスケーラブルで再現可能なベンチマークを確立する。 データセットとコレクションフレームワークは、https://github.com/haonan-ai/ParkingScenes.comでリリースされる。

関連論文リスト

• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• 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)
• ParkFormer: A Transformer-Based Parking Policy with Goal Embedding and Pedestrian-Aware Control [8.713707183974304]
  自動駐車のためのトランスフォーマーベースのエンドツーエンドフレームワークは、専門家によるデモンストレーションから学ぶ。 ネットワークは、入力されたサラウンドビューカメライメージ、ゴールポイント表現、エゴ車両の動き、および歩行者軌道として捉えている。 実験の結果, 平均位置誤差は0.21m, 方位誤差は0.41度, 96.57%であった。
  論文  参考訳（メタデータ） (2025-06-20T09:14:09Z)
• Optimizing YOLOv8 for Parking Space Detection: Comparative Analysis of Custom YOLOv8 Architecture [0.0]
  駐車スペース占有検知は、インテリジェントな駐車管理システムの開発において重要な要素である。 YOLOv8のような従来の物体検出アプローチは、駐車場を横断する高速かつ正確な車両検出を提供する。 YOLOv8と統合されたカスタマイズされたバックボーンアーキテクチャの総合的な比較分析を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:36:50Z)
• SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
  シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。 SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。 テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
  論文  参考訳（メタデータ） (2024-06-13T17:58:32Z)
• 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)
• SUPS: A Simulated Underground Parking Scenario Dataset for Autonomous Driving [41.221988979184665]
  SUPSは地下自動駐車のシミュレーションデータセットである。 複数のセンサーと連続したイメージに合わせた複数のセマンティックラベルを備えた複数のタスクをサポートする。 また、我々のデータセット上で、最先端のSLAMアルゴリズムと知覚モデルを評価する。
  論文  参考訳（メタデータ） (2023-02-25T02:59:12Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方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） (2023-02-17T18:18:27Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。