要約
自律走行車システムのシミュレーションでは、シミュレートされた交通参加者が多様で現実的な行動を示すことが必要です。
シミュレーションで事前に記録された現実世界の交通シナリオを使用すると、現実性が保証されますが、安全上重要なイベントが稀であるため、大規模な運転シナリオの収集は高価になります。
この論文では、交通シナリオを生成する拡散ベースの方法である DJINN について説明します。
私たちのアプローチは、過去、現在、または未来からの一連の柔軟な状態観察を条件として、すべてのエージェントの軌跡を共同で拡散します。
一般的な軌道予測データセットについて、共同軌道メトリクスに関する最先端のパフォーマンスを報告します。
さらに、DJINN が、目標ベースのサンプリング、動作クラスのサンプリング、シナリオ編集など、さまざまな貴重な条件付き分布からテスト時の直接サンプリングを柔軟に可能にする方法を示します。
要約(オリジナル)
Simulation of autonomous vehicle systems requires that simulated traffic participants exhibit diverse and realistic behaviors. The use of prerecorded real-world traffic scenarios in simulation ensures realism but the rarity of safety critical events makes large scale collection of driving scenarios expensive. In this paper, we present DJINN – a diffusion based method of generating traffic scenarios. Our approach jointly diffuses the trajectories of all agents, conditioned on a flexible set of state observations from the past, present, or future. On popular trajectory forecasting datasets, we report state of the art performance on joint trajectory metrics. In addition, we demonstrate how DJINN flexibly enables direct test-time sampling from a variety of valuable conditional distributions including goal-based sampling, behavior-class sampling, and scenario editing.
arxiv情報
| 著者 | Matthew Niedoba,Jonathan Wilder Lavington,Yunpeng Liu,Vasileios Lioutas,Justice Sefas,Xiaoxuan Liang,Dylan Green,Setareh Dabiri,Berend Zwartsenberg,Adam Scibior,Frank Wood |
| 発行日 | 2023-09-21 22:10:20+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google