論文の概要: Scene Graph-based Driving Scenario Extraction for Automotive Egocentric Datasets

• arxiv url: http://arxiv.org/abs/2609.00333v1
• Date: Mon, 31 Aug 2026 20:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.066228
• Title: Scene Graph-based Driving Scenario Extraction for Automotive Egocentric Datasets
• Title（参考訳）: 自動車エゴセントリックデータセットのためのシーングラフに基づく運転シナリオ抽出
• Abstract要約: シーングラフとLTL(Linear Temporal Logic)を用いて,エゴセントリックなデータセットからシナリオを抽出する手法を提案する。 まず、エゴセントリックなセンサデータとHDマップを処理し、運転シナリオを表すシーングラフのシーケンスを生成する。 次に、興味のある実行シナリオを正式に指定し、オフザシェルフモデルチェッカーを使用してデータセットからシナリオのすべてのインスタンスを抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting scenarios from unlabelled real-world sensor data streams is a critical but challenging task in the development process of automated driving systems (ADS). Automatically sifting through large datasets to spatially and temporally locate critical scenarios can enable scenario-based coverage analysis of ADS datasets. In this paper, we present a method for extracting scenarios from egocentric datasets using scene graphs and Linear Temporal Logic (LTL). We first process egocentric sensor data and HD maps to generate a sequence of scene graphs representing a driving scenario. Next, we use LTL to formally specify driving scenarios of interest, then extract all instances of the scenarios from the dataset using an off-the-shelf model checker, which evaluates the LTL formula against the sequence of scene graphs. Our approach can be used on both simulated and real world datasets. We evaluate the method on the training and validation datasets from Argoverse 2 consisting of 850 15-second real-world driving logs, and several videos of dashcam footage. We demonstrate the effectiveness of our approach for extracting and querying scenarios by evaluating against a rule-based benchmark based on track annotations and HD maps.
• Abstract（参考訳）: 実世界のセンサデータストリームからシナリオを抽出することは、自動走行システム(ADS)の開発プロセスにおいて、重要ではあるが難しい課題である。 空間的かつ時間的に重要なシナリオを特定するために、大規模なデータセットを自動的に精査することで、ADSデータセットのシナリオベースのカバレッジ分析が可能になる。 本稿では,シーングラフと線形時間論理(LTL)を用いて,エゴセントリックなデータセットからシナリオを抽出する手法を提案する。 まず、エゴセントリックなセンサデータとHDマップを処理し、運転シナリオを表すシーングラフのシーケンスを生成する。 次に、LTLを用いて、興味のあるシナリオを明示的に指定し、次にオフザシェルフモデルチェッカーを用いてデータセットからシナリオのすべてのインスタンスを抽出し、シーングラフのシーケンスに対してLTL式を評価する。 私たちのアプローチは、シミュレーションと実世界のデータセットの両方で使用できます。 本研究では,850秒の実世界走行ログと,ダッシュカム映像の映像からなるArgoverse 2からのトレーニングおよび検証データセットの評価を行った。 提案手法の有効性を,トラックアノテーションとHDマップに基づくルールベースのベンチマークに対して評価することで,シナリオの抽出とクエリを行う手法の有効性を実証する。

関連論文リスト

• ScenarioCharacterization: A Modular Toolkit for Characterizing Safety across Trajectory Datasets [13.271175210947021]
  ScenarioCharacterizationは、トラジェクトリデータセットにおける駆動シナリオの自動的、データセットに依存しないプロファイリングのためのオープンソースのフレームワークである。 当社のフレームワークは,カスタムデータセットをオープンなシナリオ表現にマッピングするデータセットアダプタ,シナリオとエージェントレベルで特徴抽出,行動探索,臨界度スコアリングを行うキャラクタ,シナリオの可視化と機能,スコア,プローブ分析を行う分析レイヤという,モジュール型の構成駆動パイプラインとしてパッケージ化されている。 レイヤは構成を介して構成されたPydantic-validatedスキーマを介してのみ通信するため、キャラクタリゼーションスタックを書き換えることなく、新しいデータセットを簡単にプラグインできる。
  論文  参考訳（メタデータ） (2026-08-17T03:10:01Z)
• Generative Adversarial Synthesis of Radar Point Cloud Scenes [0.0]
  本稿では、実際のデータセット取得とシミュレーションに基づくアプローチの代替として、GANを用いたレーダシーン合成を導入する。 我々は、PointNet++ベースのGANモデルをトレーニングし、現実的なレーダポイントクラウドシーンを生成するとともに、バイナリ分類器を使用して、実シーンのテストセットに対して、このモデルを用いて生成されたシーンのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-10-17T13:14:25Z)
• GraphSCENE: On-Demand Critical Scenario Generation for Autonomous Vehicles in Simulation [11.896059467313668]
  本研究では,多様なトラフィックシナリオに対応する動的時間的シーングラフをオンデマンドで生成し,ユーザ定義の好みに合わせて作成する手法を提案する。 時間的グラフニューラルネットワーク(GNN)モデルは、実世界の相互作用パターンによって導かれる、エゴ・車両エージェントと静的構造の関係を予測することを学習する。 予測されたシナリオをシミュレーションでレンダリングし、AVエージェントのテスト環境としての有効性をさらに実証する。
  論文  参考訳（メタデータ） (2024-10-17T13:02:06Z)
• Causality-based Transfer of Driving Scenarios to Unseen Intersections [0.0]
  シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T15:38:18Z)
• 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)
• 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)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Traffic Scene Parsing through the TSP6K Dataset [109.69836680564616]
  高品質なピクセルレベルのアノテーションとインスタンスレベルのアノテーションを備えた,TSP6Kと呼ばれる特殊なトラフィック監視データセットを導入する。 データセットは、既存の運転シーンの何倍ものトラフィック参加者を持つ、より混雑した交通シーンをキャプチャする。 交通シーンの異なるセマンティック領域の詳細を復元するシーン解析のためのディテールリフィニングデコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-06T02:05:14Z)
• 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)
• 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)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Deep Representation Learning and Clustering of Traffic Scenarios [0.0]
  トラフィックシーンの遅延表現を学習する2つのデータ駆動自動符号化モデルを導入する。 本稿では,遅延シナリオの埋め込みがトラフィックシナリオのクラスタリングや類似性検索にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-07-15T15:12:23Z)
• Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
  本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。 最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。 第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。 第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
  論文  参考訳（メタデータ） (2020-04-29T14:59:58Z)

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。