論文の概要: SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring

• arxiv url: http://arxiv.org/abs/2608.25142v1
• Date: Tue, 25 Aug 2026 20:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.443191
• Title: SkyDrive: Learning to Drive in a New City from Aerial Traffic Monitoring
• Title（参考訳）: SkyDrive: 航空交通監視から新しい都市での運転を学ぶ
• Authors: Weijiang Xiong, Lan Feng, Alexandre Alahi, Nikolas Geroliminis,
• Abstract要約: emphSkyDriveは、ドローンベースのトラフィック監視を使用して、新しい環境における自律運転エージェントの効率的な監視を提供するフレームワークである。 以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。
• 参考スコア（独自算出の注目度）: 69.91458772455071
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous driving has made remarkable progress through imitation learning with massive human demonstration data. However, a trained planner often degrades severely when applied to a new environment zero-shot, because of domain shifts in traffic regulations, road layout and driving behaviors. Therefore, adapting a trajectory planner to a new city typically requires resource-demanding local data collection with a vehicle sensor suite. In this work, we show that driving behavior can be learned from a scalable and efficient alternative. We introduce \emph{SkyDrive}, a framework that utilizes drone-based traffic monitoring to provide efficient supervision for autonomous driving agents in a new environment. While vehicle-based data collection logs the ego and its surroundings, an aerial platform naturally observes many road users simultaneously over an extended field of view. As a result, every vehicle can be a data source with grounded driving behavior, effectively scaling up the amount of supervision. Based on 137 hours of aerial traffic monitoring footage, we extract 650K driving samples and construct a benchmark for trajectory planners and motion predictors. Zero-shot experiments with multiple models reveal significant cross-city domain gaps, but many of them can be alleviated by limited supervision from the sky, e.g., 30 minutes of monitoring per location. Our findings show that aerial traffic monitoring is an efficient and scalable data source for adapting autonomous driving systems in new cities. Data and code will be made publicly available.
• Abstract（参考訳）: 自動運転は、大規模な人間のデモデータによる模倣学習を通じて、顕著な進歩を遂げた。 しかし、訓練されたプランナーは、交通規制や道路レイアウト、運転行動のドメインシフトのため、新しい環境にゼロショットを適用すると、しばしばひどく劣化する。 したがって、軌道プランナーを新しい都市に適応させるには、通常、車両センサースイートによるリソース要求のローカルデータ収集が必要である。 本研究は、スケーラブルで効率的な代替手段から運転行動を学ぶことができることを示す。 新しい環境における自律運転エージェントの効率的な監視を実現するために,ドローンによる交通監視を利用するフレームワークである \emph{SkyDrive} を紹介した。 車載データ収集はエゴとその周辺をログするが、航空プラットフォームは自然界の多くの道路利用者を同時に観察する。 結果として、すべての車両は、運転行動の根拠となるデータソースとなり、監督の量を効果的にスケールアップすることができる。 137時間の航空交通監視映像に基づいて、650Kの走行サンプルを抽出し、軌道プランナーと運動予測器のベンチマークを構築する。 複数のモデルを用いたゼロショット実験では、都市間ドメインギャップが顕著に示されるが、その多くが、空からの限られた監視によって軽減される。 以上の結果から,航空交通監視は,新都市における自律走行システムに適応するための,効率的かつスケーラブルなデータソースであることが示唆された。 データとコードは公開されます。

関連論文リスト

• Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
  既存の自動運転システムは、環境認識のためのセンサーに頼っている。 本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。 この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
  論文  参考訳（メタデータ） (2025-12-07T14:40:49Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• Artificial Intelligence Enabled Traffic Monitoring System [3.085453921856008]
  本稿では,深層畳み込みニューラルネットワークを用いたリアルタイム交通映像の自動監視手法を提案する。 提案システムは、さまざまなトラフィック監視ニーズを自動化するために、最先端のディープラーニングアルゴリズムをデプロイする。
  論文  参考訳（メタデータ） (2020-10-02T22:28:02Z)
• Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion [16.018962965273495]
  全日と全天候のナビゲーションは、自動運転にとって重要な機能である。 本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。 その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2020-05-05T03:48:10Z)
• PLOP: Probabilistic poLynomial Objects trajectory Planning for autonomous driving [8.105493956485583]
  条件付き模倣学習アルゴリズムを用いて,エゴ車とその周辺地域の軌道を推定する。 私たちのアプローチは計算効率が高く、オンボードセンサーのみに依存します。 公開データセットnuScenesでオフラインで評価する。
  論文  参考訳（メタデータ） (2020-03-09T16:55:07Z)

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。