A Comprehensive Review on Traffic Datasets and Simulators for Autonomous Vehicles

要約

自律運転は、ハードウェアと人工知能の相乗的な開発を通じて急速に進化してきました。
この包括的なレビューでは、自動運転車（AV）開発をサポートする二重の柱としてトラフィックデータセットとシミュレーターを調査しています。
これらのリソースを独立して調べる以前の調査とは異なり、AVパイプラインの知覚、ローカリゼーション、予測、計画、および制御全体にまたがる統合分析を提示します。
地理的多様性と環境条件がシステムの信頼性にどのように影響するかを調べながら、注釈の実践と品質指標を評価します。
分析には、機能ドメインによって編成されたデータセットの詳細な特性評価と、研究開発への専門的な貢献によって分類されるトラフィックシミュレーターの詳細な調査が含まれます。
このペーパーでは、新しいアーキテクチャフレームワーク、マルチモーダルAI統合、重要なエッジケースに対処する高度なデータ生成技術など、新たな傾向を調査します。
現実世界のデータ収集環境とシミュレーション環境間の相互接続を強調することにより、このレビューは、実際の運転環境で遭遇する多様な課題に対処するために装備された、より堅牢で回復力のある自律システムを開発するためのロードマップを研究者に提供します。

要約(オリジナル)

Autonomous driving has rapidly evolved through synergistic developments in hardware and artificial intelligence. This comprehensive review investigates traffic datasets and simulators as dual pillars supporting autonomous vehicle (AV) development. Unlike prior surveys that examine these resources independently, we present an integrated analysis spanning the entire AV pipeline-perception, localization, prediction, planning, and control. We evaluate annotation practices and quality metrics while examining how geographic diversity and environmental conditions affect system reliability. Our analysis includes detailed characterizations of datasets organized by functional domains and an in-depth examination of traffic simulators categorized by their specialized contributions to research and development. The paper explores emerging trends, including novel architecture frameworks, multimodal AI integration, and advanced data generation techniques that address critical edge cases. By highlighting the interconnections between real-world data collection and simulation environments, this review offers researchers a roadmap for developing more robust and resilient autonomous systems equipped to handle the diverse challenges encountered in real-world driving environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google