ParkingScenes：シミュレーションシーンにおける自動駐車のエンドツーエンド学習のための構造化データセット

概要: 自動運転における自律駐車は、特に都市部のような制約のある環境において、操舵スペースが限られ、正確な制御が不可欠であることから、重要かつ依然として困難な課題です。エンドツーエンド学習における最近の進展は大きな可能性を示していますが、駐車シナリオに特化した高品質で構造化されたデータセットが不足していることが、依然として大きなボトルネックとなっています。このギャップに対処するために、本研究ではシミュレーション環境におけるエンドツーエンド自律駐車のために特化した包括的なマルチモーダルデータセット「ParkingScenes」を提示します。CARLAシミュレータに基づいて構築されたParkingScenesは、Hybrid A*プランナーおよびModel Predictive Controller（MPC）によって生成された構造化された駐車軌道を特徴とし、正確で再現可能な教師信号を提供します。データセットには、16のバック駐車シナリオと6の並列駐車シナリオが含まれ、それぞれが2つの歩行者条件（存在・不在）の下で実行されるため、704の構造化エピソードと約105000フレームが得られます。各シナリオは16回繰り返され、一貫したカバレッジが保証されます。各フレームには、4台のRGBカメラ、4台の深度センサ、車両の運動状態、そしてBird's-Eye View（BEV）表現が同期して含まれており、豊かなマルチモーダル融合と状況に応じた学習を可能にします。本データセットの有用性を示すために、同一条件下で、ParkingScenesで学習したモデルと、構造化されていない手動で収集したシミュレーションデータで学習したモデルを比較します。その結果、性能の大幅な改善が示され、堅牢で正確な駐車方策学習における構造化された教師信号の有効性が裏付けられます。データセットと収集フレームワークの両方を公開することで、ParkingScenesは、学習ベースの自律駐車システムを発展させるための、スケーラブルで再現可能なベンチマークを確立します。データセットおよび収集フレームワークは以下で公開予定です: https://github.com/haonan-ai/ParkingScenes