論文の概要: Industrial-Grade Sensor Simulation via Gaussian Splatting: A Modular Framework for Scalable Editing and Full-Stack Validation

• arxiv url: http://arxiv.org/abs/2503.11731v1
• Date: Fri, 14 Mar 2025 10:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:29:26.657195
• Title: Industrial-Grade Sensor Simulation via Gaussian Splatting: A Modular Framework for Scalable Editing and Full-Stack Validation
• Title（参考訳）: ガウススプラッティングによる産業用グレードセンサシミュレーション:スケーラブルな編集とフルスタック検証のためのモジュラーフレームワーク
• Authors: Xianming Zeng, Sicong Du, Qifeng Chen, Lizhe Liu, Haoyu Shu, Jiaxuan Gao, Jiarun Liu, Jiulong Xu, Jianyun Xu, Mingxia Chen, Yiru Zhao, Peng Chen, Yapeng Xue, Chunming Zhao, Sheng Yang, Qiang Li,
• Abstract要約: センサシミュレーションは、自律運転システムのスケーラブルな検証に重要である。 既存のNeural Radiance Fields (NeRF)ベースの手法は、産業における適用性と効率性の課題に直面している。 本稿では,これらの課題に対処するため,ガウススプラッティング(GS)に基づくシステムを提案する。
• 参考スコア（独自算出の注目度）: 43.89295427855191
• License:
• Abstract: Sensor simulation is pivotal for scalable validation of autonomous driving systems, yet existing Neural Radiance Fields (NeRF) based methods face applicability and efficiency challenges in industrial workflows. This paper introduces a Gaussian Splatting (GS) based system to address these challenges: We first break down sensor simulator components and analyze the possible advantages of GS over NeRF. Then in practice, we refactor three crucial components through GS, to leverage its explicit scene representation and real-time rendering: (1) choosing the 2D neural Gaussian representation for physics-compliant scene and sensor modeling, (2) proposing a scene editing pipeline to leverage Gaussian primitives library for data augmentation, and (3) coupling a controllable diffusion model for scene expansion and harmonization. We implement this framework on a proprietary autonomous driving dataset supporting cameras and LiDAR sensors. We demonstrate through ablation studies that our approach reduces frame-wise simulation latency, achieves better geometric and photometric consistency, and enables interpretable explicit scene editing and expansion. Furthermore, we showcase how integrating such a GS-based sensor simulator with traffic and dynamic simulators enables full-stack testing of end-to-end autonomy algorithms. Our work provides both algorithmic insights and practical validation, establishing GS as a cornerstone for industrial-grade sensor simulation.
• Abstract（参考訳）: センサシミュレーションは、自律走行システムのスケーラブルな検証に重要であるが、既存のNeural Radiance Fields(NeRF)ベースの手法では、産業ワークフローにおける適用性と効率性の課題に直面している。 本稿では,これらの課題に対処するガウススプラッティング(GS)に基づくシステムを提案する: センサシミュレータコンポーネントをまず分解し,NeRFよりもGSの利点を解析する。 次に,GSを通して3つの重要なコンポーネントをリファクタリングし,その明示的なシーン表現とリアルタイムレンダリングを活用する。(1)物理に準拠したシーンとセンサモデリングのための2次元ガウス表現を選択すること,(2)データ拡張のためのガウスプリミティブライブラリを活用するためのシーン編集パイプラインを提案すること,(3)シーン拡張と調和のための制御可能な拡散モデルを組み合わせること,である。 我々はこのフレームワークを、カメラとLiDARセンサーをサポートする独自の自動運転データセット上に実装する。 本手法はフレームワイズシミュレーションの遅延を低減し,幾何的および光度整合性を向上し,明確なシーン編集と拡張を可能にする。 さらに、このようなGSベースのセンサシミュレータをトラフィックと動的シミュレータと統合することにより、エンドツーエンドの自律アルゴリズムのフルスタックテストを実現する方法について紹介する。 我々の研究はアルゴリズム的洞察と実用的検証の両方を提供し、産業レベルのセンサーシミュレーションの基礎としてGSを確立する。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
  産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。 高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。 物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:03:59Z)
• A Unified Generative Framework for Realistic Lidar Simulation in Autonomous Driving Systems [10.036860459686526]
  Lidarは、Autonomous Driving Systemsの知覚センサーの中で広く使われているセンサーである。 深層生成モデルは、現実的な感覚データを合成するための有望な解決策として現れてきた。 本稿では,Lidarシミュレーションの忠実度を高めるための統一的な生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-25T21:55:00Z)
• GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
  3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。 我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。 フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-26T02:35:09Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• A Lightweight Machine Learning Pipeline for LiDAR-simulation [8.18203294574182]
  より現実的なLiDARシミュレーションのための軽量なアプローチを提案する。 中心となる考え方は、シミュレーションを画像から画像への変換問題にキャストすることである。 この戦略により、センサー固有の、高価で複雑なLiDAR物理シミュレーションを省略することができる。
  論文  参考訳（メタデータ） (2022-08-05T12:45:53Z)

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。