Datasets:
alexanderpl
/
init1

Dataset card Data Studio Files
xet
 Community
1
id
int64
18
18.8k
created_at
timestamp[ns, tz=UTC]date
2026-02-23 07:30:20
2026-02-24 14:51:09
updated_at
timestamp[ns, tz=UTC]date
2026-02-23 08:08:14
2026-02-24 14:51:09
doc_name
stringclasses
1 value
input
stringlengths
11
9.24k
output
stringlengths
0
738
is_personal
bool
2 classes
is_sentence
bool
2 classes
is_corrected
bool
2 classes
17,857
2026-02-24T14:08:30.528000Z
2026-02-24T14:08:30.528000Z
Lec.
Однако, несмотря на эти изменения, существенного улучшения в разрешении указанных проблем (столкновения и некорректные повороты) не было зафиксировано
false
true
false
17,856
2026-02-24T14:08:28.032000Z
2026-02-24T14:08:28.032000Z
Lec.
Предполагалось, что это позволит модели более полно оптимизировать свои параметры и повысить точность прогнозирования траекторий
false
true
false
17,855
2026-02-24T14:08:24.979000Z
2026-02-24T14:08:24.979000Z
Lec.
Кроме того, была увеличена продолжительность обучения модели путем увеличения количества эпох с 50 до 500
false
true
false
17,854
2026-02-24T14:08:21.913000Z
2026-02-24T14:08:21.913000Z
Lec.
Основной целью увеличения данных было устранение проблем, связанных со столкновениями на перекрестках и некорректным прохождением поворотов (когда транспортные средства начинали поворот слишком рано и врезались в края дороги)
false
true
false
17,853
2026-02-24T14:08:19.071000Z
2026-02-24T14:08:19.071000Z
Lec.
Предполагалось, что это позволит модели лучше изучить долгосрочные зависимости в поведении транспортных средств и улучшить ее способность справляться со сложными ситуациями на перекрестках
false
true
false
17,852
2026-02-24T14:08:16.041000Z
2026-02-24T14:08:16.041000Z
Lec.
В частности, объем данных был увеличен за счет увеличения времени генерируемых сценариев с 1000 до 3000 секунд
false
true
false
17,851
2026-02-24T14:08:13.205000Z
2026-02-24T14:08:13.205000Z
Lec.
Однако, несмотря на проведение экспериментов с увеличенным объемом сгенерированных данных (в рамках доступных вычислительных ресурсов) и увеличенным количеством эпох обучения, значительного улучшения качества модели не наблюдалось
false
true
false
17,850
2026-02-24T14:08:10.318000Z
2026-02-24T14:08:10.318000Z
Lec.
Предполагалось, что больший объем данных позволит модели лучше изучить сложные паттерны взаимодействия агентов, а большее количество эпох позволит более полно оптимизировать веса модели
false
true
false
17,849
2026-02-24T14:08:07.431000Z
2026-02-24T14:08:07.431000Z
Lec.
На следующем этапе исследования была выдвинута гипотеза о том, что увеличение объема и разнообразия обучающих данных, а также увеличение продолжительности процесса обучения (количества эпох) могут положительно сказаться на способности модели к обобщению и, следовательно, на ее производительности
false
true
false
17,848
2026-02-24T14:08:04.567000Z
2026-02-24T14:08:04.567000Z
Lec.
Рис. 2 – Моделируемый перекресток
false
true
false
17,847
2026-02-24T14:08:01.617000Z
2026-02-24T14:08:01.617000Z
Lec.
Полученные результаты указывают на то, что проблема низкой производительности модели может лежать не столько в конкретных значениях параметров, сколько в более фундаментальных аспектах, таких как структура модели, качество входных данных или выбранный алгоритм обучения
false
true
false
17,846
2026-02-24T14:07:58.808000Z
2026-02-24T14:07:58.808000Z
Lec.
Несмотря на исследование различных комбинаций и диапазонов значений указанных параметров, существенного прогресса в улучшении целевых метрик зафиксировано не было
false
true
false
17,845
2026-02-24T14:07:55.938000Z
2026-02-24T14:07:55.938000Z
Lec.
В ходе экспериментов варьировались все параметры, используемые для генерации данных, их обработке и обучении модели
false
true
false
17,844
2026-02-24T14:07:53.103000Z
2026-02-24T14:07:53.103000Z
Lec.
Целью данного этапа являлось выявление оптимальных значений параметров, которые могли бы привести к улучшению ключевых показателей производительности, таких как снижение количества столкновений, увеличение средней скорости движения агентов и повышение общей эффективности трафика на моделируемом перекрестке (рис. 2)
false
true
false
17,843
2026-02-24T14:07:50.096000Z
2026-02-24T14:07:50.096000Z
Lec.
В рамках исследования, направленного на повышение эффективности модели Multi_Agent_Intersection, был выполнен комплекс экспериментов по настройке ее параметров
false
true
false
17,842
2026-02-24T14:07:47.352000Z
2026-02-24T14:07:47.352000Z
Lec.
Одна эпоха представляет собой полный проход по всему обучающему набору данных;. exp_id: Уникальный идентификатор эксперимента, который используется для создания папки, в которой будут сохранены результаты обучения (веса модели, логи обучения и другие артефакты);. batch_size: Количество обучающих примеров (сцен движения), которые обрабатываются моделью за одну итерацию обучения (шаг градиентного спуска)
false
true
false
17,841
2026-02-24T14:07:44.196000Z
2026-02-24T14:07:44.196000Z
Lec.
Тестовый набор данных используется для оценки обобщающей способности модели и контроля за процессом обучения;. epoch: Общее количество эпох обучения
false
true
false
17,840
2026-02-24T14:07:41.064000Z
2026-02-24T14:07:41.064000Z
Lec.
Основные параметры:. train_folder: Путь к директории, содержащей обработанные данные для обучения модели (файлы .pkl);. val_folder: Путь к директории, содержащей обработанные данные для валидации модели (файлы .pkl)
false
true
false
17,839
2026-02-24T14:07:38.380000Z
2026-02-24T14:07:38.380000Z
Lec.
Обучение модели осуществляется на предварительно обработанных данных, сохраненных в формате .pkl
false
true
false
17,838
2026-02-24T14:07:34.740000Z
2026-02-24T14:07:34.740000Z
Lec.
Данный скрипт предназначен для обучения модели, основанной на архитектуре графовой нейронной сети, которая принимает на вход текущее состояние транспортных средств и их взаимодействия и прогнозирует их будущие траектории
false
true
false
17,837
2026-02-24T14:07:31.408000Z
2026-02-24T14:07:31.408000Z
Lec.
Для выполнения данного этапа используется скрипт train_gnn.py
false
true
false
17,836
2026-02-24T14:07:28.318000Z
2026-02-24T14:07:28.318000Z
Lec.
Заключительным этапом является обучение графовой нейронной сети (GNN) для прогнозирования будущих траекторий транспортных средств на 30 временных шагов вперед
false
true
false
17,835
2026-02-24T14:07:25.145000Z
2026-02-24T14:07:25.145000Z
Lec.
Обучение модели GNN
false
false
false
17,834
2026-02-24T14:07:22.426000Z
2026-02-24T14:07:22.426000Z
Lec.
Увеличение данного параметра способствует разнообразию обучающего набора данных;. processes: Количество параллельных процессов, используемых для обработки данных. 3
false
true
false
17,833
2026-02-24T14:07:18.929000Z
2026-02-24T14:07:18.929000Z
Lec.
Основные параметры:. csv_folder: Путь к директории, содержащей сгенерированные .csv файлы с сырыми данными о траекториях;. pkl_folder: Путь к директории, в которую будут сохранены обработанные файлы данных в формате .pkl, пригодном для обучения модели;. num_mpc_aug: Количество аугментаций, применяемых к каждой траектории с использованием MPC
false
false
false
17,832
2026-02-24T14:07:15.969000Z
2026-02-24T14:07:15.969000Z
Lec.
Данная техника направлена на повышение робастности обученной модели к вариациям в поведении транспортных средств
false
true
false
17,831
2026-02-24T14:07:13.294000Z
2026-02-24T14:07:13.294000Z
Lec.
Дополнительно, скрипт реализует аугментацию данных путем добавления случайных шумов к управляющим сигналам
false
true
false
17,830
2026-02-24T14:07:09.813000Z
2026-02-24T14:07:09.813000Z
Lec.
Полученные управляющие сигналы служат основой для обучения модели прогнозированию оптимальных траекторий
false
true
false
17,829
2026-02-24T14:07:06.996000Z
2026-02-24T14:07:06.996000Z
Lec.
MPC используется для решения задачи оптимизации траектории с учетом динамических ограничений транспортного средства
false
true
false
17,828
2026-02-24T14:07:04.141000Z
2026-02-24T14:07:04.141000Z
Lec.
Ключевым аспектом предобработки является применение принципов Model Predictive Control (MPC) для расчета управляющих сигналов (ускорение, угол поворота), необходимых для достижения целевой траектории каждого транспортного средства
false
true
false
17,827
2026-02-24T14:07:01.307000Z
2026-02-24T14:07:01.307000Z
Lec.
Процесс обработки включает фильтрацию нерелевантных или некорректных траекторий, а также кодирование информации о траекториях в представление, максимально соответствующее входным данным модели
false
true
false
17,826
2026-02-24T14:06:58.765000Z
2026-02-24T14:06:58.765000Z
Lec.
Данный скрипт осуществляет очистку и преобразование сырых данных о траекториях в формат, пригодный для обучения модели
false
true
false
17,825
2026-02-24T14:06:56.048000Z
2026-02-24T14:06:56.048000Z
Lec.
Для выполнения данного этапа используется скрипт preprocess.py
false
true
false
17,824
2026-02-24T14:06:52.865000Z
2026-02-24T14:06:52.865000Z
Lec.
Вторым этапом является предобработка сгенерированных сырых данных с целью повышения устойчивости будущей модели к отклонениям от идеальных траекторий
false
true
false
17,823
2026-02-24T14:06:50.250000Z
2026-02-24T14:06:50.250000Z
Lec.
Предварительная обработка данных
false
true
false
17,822
2026-02-24T14:06:47.829000Z
2026-02-24T14:06:47.829000Z
Lec.
Данный параметр регулирует интенсивность транспортного потока; более высокие значения приводят к созданию более плотного трафика;. split: Префикс для названия генерируемого набора данных (например, train, val);. random_seed: Значение случайного зерна для обеспечения воспроизводимости результатов генерации данных. 2
false
true
false
17,821
2026-02-24T14:06:44.955000Z
2026-02-24T14:06:44.955000Z
Lec.
Учитывая, что частота кадров в файлах FCD (Floating Car Data) устанавливается на этапе их генерации (стандартное значение составляет 0.1 секунды), данный параметр определяет общее количество временных шагов в каждом сценарии;. create_new_vehicle_prob: Вероятность появления нового транспортного средства в начальной точке симуляции на каждом временном шаге
false
true
false
17,820
2026-02-24T14:06:41.692000Z
2026-02-24T14:06:41.692000Z
Lec.
Основные параметры:. num_seconds: Длительность генерируемого сценария в секундах
false
true
false
17,819
2026-02-24T14:06:38.506000Z
2026-02-24T14:06:38.506000Z
Lec.
Выходные данные сохраняются в формате .csv
false
true
false
17,818
2026-02-24T14:06:35.709000Z
2026-02-24T14:06:35.709000Z
Lec.
Каждый фрагмент представляет собой последовательность состояний транспортных средств на протяжении заданного временного интервала
false
true
false
17,817
2026-02-24T14:06:33.201000Z
2026-02-24T14:06:33.201000Z
Lec.
Данный скрипт осуществляет генерацию набора данных, состоящего из отдельных сценариев движения транспортных средств
false
true
false
17,816
2026-02-24T14:06:30.778000Z
2026-02-24T14:06:30.778000Z
Lec.
Для автоматизации этого процесса используется скрипт generate_csv.py
false
true
false
17,815
2026-02-24T14:06:28.344000Z
2026-02-24T14:06:28.344000Z
Lec.
Первым этапом является создание обучающего и тестового наборов данных посредством симуляции дорожного движения в программном комплексе SUMO
false
true
false
17,814
2026-02-24T14:06:25.728000Z
2026-02-24T14:06:25.728000Z
Lec.
Генерация исходных данных
false
true
false
17,813
2026-02-24T14:06:23.433000Z
2026-02-24T14:06:23.433000Z
Lec.
Для обучения модели, способной прогнозировать будущие траектории транспортных средств, необходимо последовательно выполнить генерацию, предварительную обработку данных и, непосредственно, обучение модели. 1
false
true
false
17,812
2026-02-24T14:06:20.704000Z
2026-02-24T14:06:20.704000Z
Lec.
CARLA: Интеграция с симулятором CARLA для визуализации и тестирования
false
true
false
17,811
2026-02-24T14:06:17.883000Z
2026-02-24T14:06:17.883000Z
Lec.
MPC: Механизм аугментации данных и коррекции траекторий в реальном времени;
false
true
false
17,810
2026-02-24T14:06:14.856000Z
2026-02-24T14:06:14.856000Z
Lec.
GNN: Модель для предсказания траекторий автомобилей с учётом их взаимодействий;
false
true
false
17,809
2026-02-24T14:06:11.747000Z
2026-02-24T14:06:11.747000Z
Lec.
SUMO: Симулятор трафика для генерации реалистичных данных о движении;
false
true
false
17,808
2026-02-24T14:06:08.724000Z
2026-02-24T14:06:08.724000Z
Lec.
Архитектура системы основана на следующих компонентах:
false
true
false
17,807
2026-02-24T14:06:06.075000Z
2026-02-24T14:06:06.075000Z
Lec.
В основе функционирования агента лежит метод обучения с подкреплением, где каждый автомобиль выступает в качестве агента, принимающего решения на основе текущего состояния среды и получающего обратную связь в виде наград или штрафов за свои действия
false
true
false
17,806
2026-02-24T14:06:03.226000Z
2026-02-24T14:06:03.226000Z
Lec.
Multi_Agent_Intersection [52-53] представляет собой многоагентную систему, предназначенную для координации движения транспортных средств на перекрестке с целью предотвращения столкновений и оптимизации трафика
false
true
false
17,805
2026-02-24T14:06:00.227000Z
2026-02-24T14:06:00.227000Z
Lec.
Такой подход способствует более глубокому пониманию взаимодействия между автономными агентами, их влиянию на общую транспортную сеть и потенциалу совместных стратегий для повышения безопасности и эффективности дорожного движения
false
true
false
17,804
2026-02-24T14:05:57.343000Z
2026-02-24T14:05:57.343000Z
Lec.
Это позволяет исследователям и разработчикам объединить преимущества реалистичной сенсорной симуляции с возможностями моделирования транспортных потоков и V2X-коммуникаций, что открывает новые горизонты для разработки, тестирования и валидации передовых систем управления дорожным движением будущего
false
true
false
17,803
2026-02-24T14:05:54.152000Z
2026-02-24T14:05:54.152000Z
Lec.
Комбинированное использование CARLA и SUMO представляет собой перспективный подход к созданию комплексных и многоуровневых моделей подключенного и беспилотного транспорта
false
true
false
17,802
2026-02-24T14:05:51.328000Z
2026-02-24T14:05:51.328000Z
Lec.
Это делает его незаменимым инструментом для изучения влияния беспилотных и подключенных транспортных средств на транспортные потоки в масштабе сети, анализа эффективности совместных стратегий управления движением и оценки работы протоколов связи
false
true
false
17,801
2026-02-24T14:05:48.465000Z
2026-02-24T14:05:48.465000Z
Lec.
SUMO, в свою очередь, обеспечивает мощную платформу для моделирования дорожного движения на микроскопическом уровне и обладает развитыми возможностями для симуляции V2X-коммуникаций благодаря интеграции с Veins [71]
false
true
false
17,800
2026-02-24T14:05:44.974000Z
2026-02-24T14:05:44.974000Z
Lec.
Он позволяет создавать богатые на сенсорные данные сценарии, необходимые для обучения моделей машинного обучения и оценки работы систем автономного вождения на уровне принятия решений отдельным автомобилем
false
true
false
17,799
2026-02-24T14:05:41.998000Z
2026-02-24T14:05:41.998000Z
Lec.
CARLA, с его фотореалистичной средой и детальной симуляцией сенсоров, идеально подходит для разработки, обучения и тестирования алгоритмов восприятия и локального управления беспилотных транспортных средств
false
true
false
17,798
2026-02-24T14:05:39.152000Z
2026-02-24T14:05:39.152000Z
Lec.
Комбинированное использование CARLA и SUMO представляет собой многообещающий подход к комплексному моделированию подключенного и беспилотного транспорта, позволяя объединить сильные стороны каждого инструмента для решения более широкого спектра исследовательских задач
false
true
false
17,797
2026-02-24T14:05:35.850000Z
2026-02-24T14:05:35.850000Z
Lec.
Выбор конкретного инструмента зависит от целей моделирования, требуемого уровня детализации, доступных ресурсов, а также опыта пользователя
false
true
false
17,796
2026-02-24T14:05:33.031000Z
2026-02-24T14:05:33.031000Z
Lec.
Визуализация и анализ данных: Платформа предоставляет инструменты для визуализации результатов моделирования и анализа ключевых показателей эффективности (например, пропускная способность, задержки, безопасность)
false
true
false
17,795
2026-02-24T14:05:30.402000Z
2026-02-24T14:05:30.402000Z
Lec.
Интеграция с другими инструментами: CAVISE может быть интегрирована с другими симуляторами и инструментами, такими как SUMO для расширения функциональности;
false
true
false
17,794
2026-02-24T14:05:27.959000Z
2026-02-24T14:05:27.959000Z
Lec.
Различные уровни моделирования: CAVISE может поддерживать моделирование на различных уровнях детализации, от микроскопического до макроскопического;
false
true
false
17,793
2026-02-24T14:05:25.383000Z
2026-02-24T14:05:25.383000Z
Lec.
Поддержка V2X коммуникаций: Платформа обеспечивает моделирование V2V и V2I с учетом различных протоколов и задержек;
false
true
false
17,792
2026-02-24T14:05:22.526000Z
2026-02-24T14:05:22.526000Z
Lec.
Модульная архитектура: CAVISE имеет модульную структуру, позволяющую пользователям добавлять, удалять или модифицировать различные компоненты моделирования (например, модели транспортных средств, сенсоров, коммуникаций);
false
true
false
17,791
2026-02-24T14:05:19.705000Z
2026-02-24T14:05:19.705000Z
Lec.
Основные характеристики CAVISE:
false
true
false
17,790
2026-02-24T14:05:16.682000Z
2026-02-24T14:05:16.682000Z
Lec.
CAVISE (CAV Interoperability Simulation Environment) [66] — это платформа для имитационного моделирования, разработанная для оценки взаимодействия CAV в различных дорожных условиях и сценариях движения
false
true
false
17,789
2026-02-24T14:05:13.556000Z
2026-02-24T14:05:13.556000Z
Lec.
Моделирование подключенных и беспилотных транспортных средств: Aimsun Next предоставляет специальные функции и инструменты для моделирования CAV и их влияния на транспортный поток
false
true
false
17,788
2026-02-24T14:05:10.734000Z
2026-02-24T14:05:10.734000Z
Lec.
Это оптимизирует точность моделирования и вычислительную эффективность
false
true
false
17,787
2026-02-24T14:05:07.968000Z
2026-02-24T14:05:07.968000Z
Lec.
Гибридное моделирование: Aimsun Next позволяет проводить гибридные симуляции, где различные части сети могут моделироваться на разных уровнях детализации (например, микроскопический для критических перекрестков и мезоскопический для окружающей сети)
false
true
false
17,786
2026-02-24T14:05:05.132000Z
2026-02-24T14:05:05.132000Z
Lec.
Он имеет решающее значение для стратегического транспортного планирования и прогнозирования
false
true
false
17,785
2026-02-24T14:05:02.074000Z
2026-02-24T14:05:02.074000Z
Lec.
Макроскопическое распределение: Этот уровень фокусируется на моделировании транспортного спроса и распределении трафика по различным маршрутам на основе характеристик сети и предпочтений пользователей
false
true
false
17,784
2026-02-24T14:04:59.249000Z
2026-02-24T14:04:59.249000Z
Lec.
Он полезен для стратегического планирования и динамического распределения трафика в более крупном масштабе;
false
true
false
17,783
2026-02-24T14:04:56.419000Z
2026-02-24T14:04:56.419000Z
Lec.
Мезоскопическое моделирование: Мезоскопический симулятор обеспечивает вычислительно эффективный способ моделирования больших сетей, фокусируясь на потоке трафика по сегментам, а не на отдельных транспортных средствах
false
true
false
17,782
2026-02-24T14:04:53.551000Z
2026-02-24T14:04:53.551000Z
Lec.
Он поддерживает поведение вне полос для мотоциклов и других типов транспортных средств, распространенных в определенных регионах;
false
true
false
17,781
2026-02-24T14:04:50.748000Z
2026-02-24T14:04:50.748000Z
Lec.
Микроскопическое моделирование: В основе Aimsun Next лежит высокодетализированный микроскопический симулятор, который моделирует поведение отдельных транспортных средств, пешеходов и велосипедистов на основе сложных поведенческих моделей, включая следование за лидером, перестроение в полосе и принятие решения о проезде
false
true
false
17,780
2026-02-24T14:04:47.844000Z
2026-02-24T14:04:47.844000Z
Lec.
Пользователи могут анализировать транспортные сети в различных масштабах и уровнях детализации, что позволяет использовать Aimsun для широкого спектра задач, включая моделирование CAV;
false
true
false
17,779
2026-02-24T14:04:44.983000Z
2026-02-24T14:04:44.983000Z
Lec.
Интегрированное мультиразрешенное моделирование: Aimsun Next выделяется своей способностью интегрировать различные уровни моделирования трафика — микроскопический, мезоскопический и макроскопический — в рамках единой программной среды
false
true
false
17,778
2026-02-24T14:04:42.135000Z
2026-02-24T14:04:42.135000Z
Lec.
Основные характеристики Aimsun Next:
false
true
false
17,777
2026-02-24T14:04:39.569000Z
2026-02-24T14:04:39.569000Z
Lec.
Aimsun Next [70] — это комплексная и многомасштабная платформа для моделирования дорожного движения, разработанная компанией Aimsun (теперь часть Yunex Traffic, входящей в группу Mundys)
false
true
false
17,776
2026-02-24T14:04:36.728000Z
2026-02-24T14:04:36.728000Z
Lec.
Для моделирования поведения пешеходов часто используется модель социальных сил [69]
false
true
false
17,775
2026-02-24T14:04:33.972000Z
2026-02-24T14:04:33.972000Z
Lec.
Моделирование пешеходов и велосипедистов: VISSIM может моделировать движение пешеходов и велосипедистов, учитывая их взаимодействие с автомобильным транспортом и друг с другом
false
true
false
17,774
2026-02-24T14:04:31.102000Z
2026-02-24T14:04:31.102000Z
Lec.
Моделирование общественного транспорта: Специализированные функции позволяют детально моделировать работу общественного транспорта, включая планирование маршрутов, расписания, время стоянки на остановках и меры приоритета на перекрестках;
false
true
false
17,773
2026-02-24T14:04:28.079000Z
2026-02-24T14:04:28.079000Z
Lec.
Он может быть интегрирован с программным обеспечением управления светофорами для целей оптимизации;
false
true
false
17,772
2026-02-24T14:04:25.291000Z
2026-02-24T14:04:25.291000Z
Lec.
Управление дорожным движением и оптимизация сигналов: VISSIM позволяет моделировать различные стратегии управления дорожным движением, включая светофоры с фиксированным временем цикла, светофоры, управляемые транспортным потоком, и координированные системы светофорного регулирования
false
true
false
17,771
2026-02-24T14:04:22.404000Z
2026-02-24T14:04:22.404000Z
Lec.
Мультимодальное моделирование: VISSIM может моделировать различные виды транспорта, включая моторизованный частный транспорт (легковые и грузовые автомобили, автобусы), общественный транспорт (автобусы, трамваи, поезда), велосипеды и пешеходов, а также их взаимодействие в рамках одной модели;
false
true
false
17,770
2026-02-24T14:04:19.527000Z
2026-02-24T14:04:19.527000Z
Lec.
В основе моделирования поведения транспортных средств в VISSIM лежит модель следования за лидером Видемана [68], которая реалистично имитирует продольное взаимодействие водителей;
false
true
false
17,769
2026-02-24T14:04:16.661000Z
2026-02-24T14:04:16.661000Z
Lec.
Это позволяет проводить детальный анализ взаимодействий и зависимостей в транспортном потоке
false
true
false
17,768
2026-02-24T14:04:13.845000Z
2026-02-24T14:04:13.845000Z
Lec.
Микроскопическое моделирование: VISSIM моделирует поведение отдельных транспортных средств, пешеходов и других участников дорожного движения на основе сложных поведенческих моделей
false
true
false
17,767
2026-02-24T14:04:11.017000Z
2026-02-24T14:04:11.017000Z
Lec.
Основные характеристики VISSIM:
false
true
false
17,766
2026-02-24T14:04:08.576000Z
2026-02-24T14:04:08.576000Z
Lec.
VISSIM – это коммерческий программный пакет для микроскопического моделирования дорожного движения, разработанный компанией PTV Planung Transport Verkehr AG [50]
false
true
false
17,765
2026-02-24T14:04:05.746000Z
2026-02-24T14:04:05.746000Z
Lec.
Фреймворки, такие как ScenarioRunner, построены на базовом API CARLA для облегчения создания и выполнения сценариев
false
true
false
17,764
2026-02-24T14:04:02.902000Z
2026-02-24T14:04:02.902000Z
Lec.
Система сценариев (Scenario System): CARLA предоставляет инструменты и фреймворки для определения и выполнения сложных и воспроизводимых сценариев вождения, что крайне важно для тестирования надежности и безопасности систем автономного вождения
false
true
false
17,763
2026-02-24T14:04:00.018000Z
2026-02-24T14:04:00.018000Z
Lec.
Пользователи могут настраивать поведение и сложность моделируемой среды;
false
true
false
17,762
2026-02-24T14:03:57.195000Z
2026-02-24T14:03:57.195000Z
Lec.
Менеджер трафика (Traffic Manager): Встроенный модуль, который имитирует реалистичный поток ТС с автономными транспортными средствами, соблюдающими правила дорожного движения
false
false
false
17,761
2026-02-24T14:03:54.357000Z
2026-02-24T14:03:54.357000Z
Lec.
Комплексный набор сенсоров: CARLA обладает набором моделей сенсоров для исследований в области автономного вождения;
false
true
false
17,760
2026-02-24T14:03:51.536000Z
2026-02-24T14:03:51.536000Z
Lec.
Разнообразие транспортных средств и пешеходов: Симулятор включает библиотеку реалистичных моделей транспортных средств с динамическими свойствами и возможность моделирования поведения пешеходов, создавая сложные и интерактивные сценарии движения;
false
true
false
17,759
2026-02-24T14:03:48.502000Z
2026-02-24T14:03:48.502000Z
Lec.
Эти среды могут создаваться, основываясь на стандарте ASAM OpenDRIVE, для определения дорог и городской застройки, что обеспечивает стандартизацию;
false
true
false
17,758
2026-02-24T14:03:45.681000Z
2026-02-24T14:03:45.681000Z
Lec.
Реалистичные городские среды: CARLA предоставляет детализированные 3D-модели городских планировок, включая здания, растительность, дорожные знаки и инфраструктуру
false
true
false