論文の概要: ARCANE-PedSynth: Synthetic Multi-Pedestrian Datasets with Behavioural Crossing Annotations

• arxiv url: http://arxiv.org/abs/2605.24950v1
• Date: Sun, 24 May 2026 09:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.536105
• Title: ARCANE-PedSynth: Synthetic Multi-Pedestrian Datasets with Behavioural Crossing Annotations
• Title（参考訳）: ARCANE-PedSynth:ビヘイビア交叉アノテーション付き合成多歩行者データセット
• Authors: Muhammad Naveed Riaz, Maciej Wielgosz, Antonio M. López Peña,
• Abstract要約: ARCANE-Ped Synthは、高密度な振る舞いアノテーションを持つ合成マルチペデストリアンデータセットを生成するためのフレームワークである。 ハイブリッドAI-手動歩行者制御アーキテクチャを通じて、CARLAのネイティブな9%の踏切速度を克服する。 RGB、LiDAR、DVSデータをフレーム単位のクロスラベル、動作状態、推定2Dポーズキーポイントと同期して生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ARCANE-PedSynth, an open-source CARLA-based software framework for generating synthetic multi-pedestrian datasets with dense behavioural annotations for pedestrian crossing prediction in autonomous driving. The framework overcomes CARLA's native 9% crossing rate through a hybrid AI-manual pedestrian control architecture, enabling configurable target rates up to 75%. A 12-state behavioural finite state machine with five character archetypes produces diverse crossing behaviours. The framework generates synchronised RGB, LiDAR, and DVS data with per-frame crossing labels, behavioural states, and estimated 2D pose keypoints. We demonstrate ARCANE-PedSynth through PedSynth++, an example dataset generated with the framework, comprising 533 multi-pedestrian clips across 12 weather conditions with RGB, LiDAR, and DVS streams. ARCANE-PedSynth is fully reproducible via CLI parameterisation and Docker containerisation.
• Abstract（参考訳）: 我々は、自律運転における歩行者横断予測のための高密度な行動アノテーションを用いた合成多歩行者データセットを生成するためのオープンソースのCARLAベースのソフトウェアフレームワークであるARCANE-PedSynthを提案する。 このフレームワークは、AIと手動の歩行者制御アーキテクチャを通じて、CARLAのネイティブな9%の交差率を克服し、設定可能な目標レートを最大75%まで可能にしている。 5文字のアーチタイプを持つ12状態の有限状態マシンは、多様な交差挙動を生成する。 このフレームワークは、フレーム単位のクロスラベル、振る舞い状態、推定2Dポーズキーポイントと同期したRGB、LiDAR、DVSデータを生成する。 このフレームワークで生成されたサンプルデータセットであるPedSynth++によるARCANE-PedSynthを実演し、RGB、LiDAR、DVSストリームを含む12の気象条件にわたる533のマルチペデストリアンクリップからなる。 ARCANE-PedSynthはCLIパラメータ化とDockerコンテナ化を通じて完全に再現可能である。

関連論文リスト

• 123D: Unifying Multi-Modal Autonomous Driving Data at Scale [58.4010470217018]
  このようなマルチモーダル駆動データを単一のAPIで統一するオープンソースフレームワークである123Dを提案する。 私たちは,3300時間90万kmにわたる8つの実世界の運転データセットと,収集スクリプトを備えた合成データセットを統合し,データ解析と可視化のためのツールを提供しています。
  論文  参考訳（メタデータ） (2026-05-08T17:59:53Z)
• SwiTrack: Tri-State Switch for Cross-Modal Object Tracking [74.15663758681849]
  クロスモーダルオブジェクトトラッキング(CMOT)は、ビデオストリームが異なるモード間で切り替える間、ターゲットの一貫性を維持する新しいタスクである。 SwiTrackは3つの特別なストリームを配置することでCMOTを再定義する新しいステートスイッチングフレームワークである。
  論文  参考訳（メタデータ） (2025-11-20T10:52:54Z)
• Mixed Signals: A Diverse Point Cloud Dataset for Heterogeneous LiDAR V2X Collaboration [57.3519952529079]
  車両間協調認識(V2X)は、単車知覚システムの限界に対処するための有望な解決策として登場した。 これらのギャップに対処するために、45.1kの点雲と240.6kのバウンディングボックスを備えた総合的なV2XデータセットであるMixed Signalsを紹介した。 私たちのデータセットは10クラスのポイントクラウドとバウンディングボックスアノテーションを提供し、認識トレーニングのための信頼性の高いデータを確保します。
  論文  参考訳（メタデータ） (2025-02-19T23:53:00Z)
• SynDiff-AD: Improving Semantic Segmentation and End-to-End Autonomous Driving with Synthetic Data from Latent Diffusion Models [6.081211208701091]
  提案するSynDiff-ADは,表現不足なグループに対して,現実的な画像を生成する新しいデータ拡張パイプラインである。 SynDiff-ADでデータセットを増強することにより、Mask2FormerやSegFormerといったセグメンテーションモデルのパフォーマンスが1.2%向上し、2.3%向上しました。 我々のSynDiff-ADパイプラインは、AIM-2DやAIM-BEVのようなエンド・ツー・エンドの自動運転モデルの運転性能を、様々な環境条件で最大20%向上することを示した。
  論文  参考訳（メタデータ） (2024-11-25T07:24:12Z)
• X-Drive: Cross-modality consistent multi-sensor data synthesis for driving scenarios [105.16073169351299]
  本稿では,点雲と多視点画像の連成分布をモデル化する新しいフレームワーク,X-DRIVEを提案する。 2つのモダリティの異なる幾何学的空間を考えると、X-DRIVE条件は対応する局所領域上の各モダリティの合成である。 X-DRIVEはテキスト、バウンディングボックス、画像、点雲を含む多レベル入力条件を通じて制御可能な生成を可能にする。
  論文  参考訳（メタデータ） (2024-11-02T03:52:12Z)
• SCaRL- A Synthetic Multi-Modal Dataset for Autonomous Driving [0.0]
  本稿では、自律運転ソリューションのトレーニングと検証を可能にするために、合成生成された新しいマルチモーダルデータセットであるSCaRLを提案する。 SCaRLはCARLA Simulatorに基づく大規模なデータセットであり、多様な動的シナリオとトラフィック条件のためのデータを提供する。
  論文  参考訳（メタデータ） (2024-05-27T10:31:26Z)
• Synthetic Data Generation Framework, Dataset, and Efficient Deep Model for Pedestrian Intention Prediction [0.07499722271664144]
  エゴ車の前で歩行者が横断するかどうかを知ることは、自動運転にとって不可欠だ。 これに対する要因は、さまざまなクロスクロスノンクロス(C/NC)シナリオを持つデータセットの欠如である。 Ped/NCビデオクリップのサンプルからなる合成データセットを生成するARCRUフレームワークを導入することで、この問題に対処する。 また,高速かつメモリフットプリントの少ないPedGNNというディープモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-12T18:44:01Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)

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。