論文の概要: GSAVS: Gaussian Splatting-based Autonomous Vehicle Simulator

• arxiv url: http://arxiv.org/abs/2412.18816v1
• Date: Wed, 25 Dec 2024 07:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:27:36.214717
• Title: GSAVS: Gaussian Splatting-based Autonomous Vehicle Simulator
• Title（参考訳）: GSAVS:ガウススプラッティングに基づく自律走行車シミュレータ
• Authors: Rami Wilson,
• Abstract要約: 本稿では,自律走行車モデルの作成と開発を支援する自律走行車シミュレータGSAVSを紹介する。 シミュレータ内のすべての資産は、車両と環境を含む3Dガウススプラ板である。 シミュレーターは古典的な3Dエンジン内で動作し、3Dガウスのスプレートをリアルタイムでレンダリングする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Modern autonomous vehicle simulators feature an ever-growing library of assets, including vehicles, buildings, roads, pedestrians, and more. While this level of customization proves beneficial when creating virtual urban environments, this process becomes cumbersome when intending to train within a digital twin or a duplicate of a real scene. Gaussian splatting emerged as a powerful technique in scene reconstruction and novel view synthesis, boasting high fidelity and rendering speeds. In this paper, we introduce GSAVS, an autonomous vehicle simulator that supports the creation and development of autonomous vehicle models. Every asset within the simulator is a 3D Gaussian splat, including the vehicles and the environment. However, the simulator runs within a classical 3D engine, rendering 3D Gaussian splats in real-time. This allows the simulator to utilize the photorealism that 3D Gaussian splatting boasts while providing the customization and ease of use of a classical 3D engine.
• Abstract（参考訳）: 現代の自動運転車シミュレーターは、車、建物、道路、歩行者などを含む資産の継続的な増加を特徴としている。 このレベルのカスタマイズは、仮想都市環境を作る際には有益であるが、デジタル双生児や実際のシーンの複製でトレーニングしようとすると、このプロセスは煩雑になる。 ガウスのスプレイティングはシーン再構築と新しいビュー合成において強力な技術として登場し、高い忠実さとレンダリング速度を誇った。 本稿では,自律走行車モデルの作成と開発を支援する自律走行車シミュレータGSAVSを紹介する。 シミュレータ内のすべての資産は、車両と環境を含む3Dガウススプラ板である。 しかし、シミュレータは古典的な3Dエンジン内で動作し、3Dガウススプラッターをリアルタイムでレンダリングする。 これにより、シミュレーターは従来の3Dエンジンのカスタマイズと使いやすさを提供しながら、3Dガウシアンスプレイティングが誇るフォトリアリズムを利用することができる。

関連論文リスト

• HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving [48.84595398410479]
  HUGSIMは、自律運転アルゴリズムを評価するためのクローズドループ、フォトリアリスティック、リアルタイムシミュレータである。 我々は、視点外挿や360度車両レンダリングを含む閉ループシナリオにおける新しいビュー合成の課題に取り組む。 HUGSIMは、KITTI-360、nuScenes、PandaSetから70以上のシーケンスにまたがる包括的なベンチマークと400以上のさまざまなシナリオを提供する。
  論文  参考訳（メタデータ） (2024-12-02T17:07:59Z)
• AutoSplat: Constrained Gaussian Splatting for Autonomous Driving Scene Reconstruction [17.600027937450342]
  AutoSplatは、自動走行シーンの高度に現実的な再構築を実現するために、ガウシアンスプラッティングを使用したフレームワークである。 本手法は,車線変更を含む課題シナリオの多視点一貫したシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-07-02T18:36:50Z)
• Deep Reinforcement Learning for Adverse Garage Scenario Generation [5.482809279542029]
  本論文では,自律運転シミュレーションテストのための自動プログラム生成フレームワークを提案する。 深層強化学習に基づいて、3Dモデルファイルとマップモデルファイルが構築される異なる2Dグラウンドスクリプトコードを生成することができる。 生成された3DグラウンドシーンはCarlaシミュレータに表示され、実験者はこのシーンをナビゲーションアルゴリズムのシミュレーションテストに使用することができる。
  論文  参考訳（メタデータ） (2024-07-01T14:41:18Z)
• $\textit{S}^3$Gaussian: Self-Supervised Street Gaussians for Autonomous Driving [82.82048452755394]
  光リアルなストリートシーンの3D再構成は、現実の自動運転シミュレータを開発する上で重要な技術である。 既存のストリート3DGS法の多くは、静的および動的要素を分解するために、トラックされた3D車両バウンディングボックスを必要とする。 動的および静的な要素を4次元整合性から分解する自己教師付きストリートガウス(textitS3$Gaussian)手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T17:57:08Z)
• Gaussian Shell Maps for Efficient 3D Human Generation [96.25056237689988]
  3次元生成敵ネットワーク(GAN)は、生成資産の最先端(SOTA)品質と多様性を実証している。 しかし、現在の3D GANアーキテクチャはレンダリングが遅いボリューム表現に依存しており、GANのトレーニングを妨害し、マルチビュー非一貫性の2Dアップサンプラーを必要とする。
  論文  参考訳（メタデータ） (2023-11-29T18:04:07Z)
• Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
  我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。 これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。 これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
  論文  参考訳（メタデータ） (2022-10-25T17:50:36Z)
• Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
  本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。 再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。 シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2020-11-16T17:16:32Z)
• Photorealism in Driving Simulations: Blending Generative Adversarial Image Synthesis with Rendering [0.0]
  我々は、運転シミュレーションの視覚的忠実度を改善するために、ハイブリッドな生成型ニューラルネットワークパイプラインを導入する。 テクスチャのない単純なオブジェクトモデルからなる3次元シーンから2次元のセマンティック画像を生成する。 これらのセマンティックイメージは、現実の運転シーンで訓練された最先端のジェネレーティブ・アドリア・ネットワーク(GAN)を用いて、フォトリアリスティックなRGBイメージに変換される。
  論文  参考訳（メタデータ） (2020-07-31T03:25:17Z)
• LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
  物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。 まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。 本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
  論文  参考訳（メタデータ） (2020-06-16T17:44:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。