CERES: Critical-Event Reconstruction via Temporal Scene Graph Completion

要約

この論文では、実世界のデータに基づいて、シミュレーションでオンデマンドのシナリオを生成する方法を提案します。
安全性が重要なシナリオと通常のシナリオの両方で自動運転車 (AV) の動作を評価することは、実際の展開前にその堅牢性を評価するために不可欠です。
現実世界のデータセットから得られたシナリオをシミュレーションに統合することで、テスト セットの妥当性と妥当性が強化されます。
この研究では、時間シーン グラフを使用して、現実世界のデータセットからシーン エンティティ間の進化する時空間関係をキャプチャする新しいアプローチを導入し、グラフ ニューラル ネットワーク (GNN) を介したシミュレーションでの動的なシナリオの生成を可能にします。
ユーザー定義のアクションと重要度の調整を使用して、柔軟でカスタマイズされたシナリオを確実に作成できます。
私たちのモデルは、要求されたシナリオに対応するリンクを正確に予測するという点で、ベンチマークを大幅に上回っています。
さらに、既製のシミュレーターで生成されたシナリオの妥当性と互換性を評価します。

要約(オリジナル)

This paper proposes a method for on-demand scenario generation in simulation, grounded on real-world data. Evaluating the behaviour of Autonomous Vehicles (AVs) in both safety-critical and regular scenarios is essential for assessing their robustness before real-world deployment. By integrating scenarios derived from real-world datasets into the simulation, we enhance the plausibility and validity of testing sets. This work introduces a novel approach that employs temporal scene graphs to capture evolving spatiotemporal relationships among scene entities from a real-world dataset, enabling the generation of dynamic scenarios in simulation through Graph Neural Networks (GNNs). User-defined action and criticality conditioning are used to ensure flexible, tailored scenario creation. Our model significantly outperforms the benchmarks in accurately predicting links corresponding to the requested scenarios. We further evaluate the validity and compatibility of our generated scenarios in an off-the-shelf simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google