SceneGen: 学习生成逼真交通场景
通过混合模拟器和现实世界的数据,SimGen 模型能够学习生成具有多样性的驾驶场景,通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突,并在保持可控性的基础上,获得卓越的生成质量和多样性。
Jun, 2024
大规模多样化的真实交通场景对于自动驾驶系统的开发和验证至关重要。本研究引入了 DriveSceneGen,一种数据驱动的驾驶场景生成方法,从真实世界的驾驶数据集中学习并生成完整的动态驾驶场景。与真实世界的数据集相比,DriveSceneGen 能够以高保真度和多样性生成与实际数据分布相吻合的新型驾驶场景。与真实世界数据集相比,5,000 个生成场景的实验结果突出了生成质量、多样性和可扩展性。据我们所知,DriveSceneGen 是首个能够从头开始生成涉及静态地图元素和动态交通参与者的新型驾驶场景的技术。
Sep, 2023
通过检索基增强的情境学习框架 RealGen,在交通场景生成领域中实现的灵活性和可控性,为生成自动驾驶车辆训练和评估的复杂行为启发了新的方向。
Dec, 2023
该研究论文介绍了一种名为 LCTGen 的模型,它结合了大型语言模型和基于变压器的解码器架构,利用语言作为动态交通场景生成的监督来源,其在无条件和条件下的交通场景生成方面表现优于之前的研究,并且在现实感和保真度方面更好。
Jul, 2023
本文描述了一种基于学习的交通场景生成方法,旨在模拟自动驾驶汽车的感知系统输出。通过在传输中聚合物体检测,我们的 “场景扩散” 系统直接创建真实而物理上可行的代理离散边界框组合。我们展示了我们的场景生成模型能够适应美国不同地区,从而产生捕捉每个地区细节的场景。
May, 2023
提出了一个新的端到端自动驾驶范式,自动驾驶的关键在于预测自车和周围环境随着时间的演变,通过生成建模问题通过 GenAD 框架,模型了自动驾驶问题,并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。
Feb, 2024
提出了一种 CTG++ 基于学习的交通流模型,它可以通过语言指令进行指导,从而解决了交通模型控制需要领域专业知识,对实践者使用困难等问题,通过经过广泛的评估,我们展示了该方法在生成实际且符合查询要求的交通仿真方面的有效性。
Jun, 2023
本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen,该仿真器基于自然驾驶数据进行强化学习,可以直接从人类演示中捕捉更真实的行为,并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。
Mar, 2022
利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型,以更多样化的人类演示数据为基础,生成人类社交一致的行驶计划,生成更真实、更多样化的交通场景,可作为训练更好的运动规划员的有效数据增强。
Jan, 2021
通过基于条件扩散的广义、基于点的可控交通场景生成框架 Dragtraffic,使用回归模型提供初始解决方案,并通过条件扩散模型的细化过程来确保多样性,引入用户自定义上下文以确保高可控性,实验证明 Dragtraffic 在真实驾驶数据集上的真实性、多样性和自由度方面优于现有方法。
Apr, 2024