要約
シナリオの説明言語（SDL）は、自動運転車（AVS）で遭遇するトラフィックシナリオを表す構造化された解釈可能な埋め込みを提供し、シナリオの類似性検索や安全分析のためのエッジケース検出などの重要なタスクをサポートします。
このペーパーでは、大規模な軌跡データセットからSDLラベルを抽出するためのスケーラブルで自動化された方法である軌道から行動間パイプライン（TAP）を紹介します。
TAPは、ルールベースのクロスエントロピー最適化アプローチを適用して、データから直接パラメーターを学習し、多様な運転コンテキスト全体の一般化を強化します。
Waymo Open Motion Dataset（WOMD）を使用して、TAPは、行動的に類似した軌跡を特定する際に、平均変位エラー（ADE）よりも30％の精度を達成し、動的タイムワーピング（DTW）よりも24％を達成します。
さらに、TAPを有効にして、独自の運転行動の自動検出を可能にし、AVテストのための安全評価プロセスを合理化します。
この作業は、マルチエージェントコンテキストを統合するための潜在的な拡張機能を備えたスケーラブルなシナリオベースのAV動作分析の基盤を提供します。
要約(オリジナル)
Scenario Description Languages (SDLs) provide structured, interpretable embeddings that represent traffic scenarios encountered by autonomous vehicles (AVs), supporting key tasks such as scenario similarity searches and edge case detection for safety analysis. This paper introduces the Trajectory-to-Action Pipeline (TAP), a scalable and automated method for extracting SDL labels from large trajectory datasets. TAP applies a rules-based cross-entropy optimization approach to learn parameters directly from data, enhancing generalization across diverse driving contexts. Using the Waymo Open Motion Dataset (WOMD), TAP achieves 30% greater precision than Average Displacement Error (ADE) and 24% over Dynamic Time Warping (DTW) in identifying behaviorally similar trajectories. Additionally, TAP enables automated detection of unique driving behaviors, streamlining safety evaluation processes for AV testing. This work provides a foundation for scalable scenario-based AV behavior analysis, with potential extensions for integrating multi-agent contexts.
arxiv情報
| 著者 | Aron Harder,Madhur Behl |
| 発行日 | 2025-02-27 18:27:05+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google