論文の概要: ReSim: Reliable World Simulation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2506.09981v1
• Date: Wed, 11 Jun 2025 17:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.182753
• Title: ReSim: Reliable World Simulation for Autonomous Driving
• Title（参考訳）: ReSim: 自律運転のための信頼性のある世界シミュレーション
• Authors: Jiazhi Yang, Kashyap Chitta, Shenyuan Gao, Long Chen, Yuqian Shao, Xiaosong Jia, Hongyang Li, Andreas Geiger, Xiangyu Yue, Li Chen,
• Abstract要約: 我々は,危険性の高い非専門家を含む様々な行動下での多様なオープンワールド運転シナリオの信頼性シミュレーションを開発する。 我々のReSimパラダイムは、最大で44%高い視覚的忠実度を実現し、専門家と非専門家の両方のアクションの制御性を50%以上改善します。
• 参考スコア（独自算出の注目度）: 46.43113413834109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we reliably simulate future driving scenarios under a wide range of ego driving behaviors? Recent driving world models, developed exclusively on real-world driving data composed mainly of safe expert trajectories, struggle to follow hazardous or non-expert behaviors, which are rare in such data. This limitation restricts their applicability to tasks such as policy evaluation. In this work, we address this challenge by enriching real-world human demonstrations with diverse non-expert data collected from a driving simulator (e.g., CARLA), and building a controllable world model trained on this heterogeneous corpus. Starting with a video generator featuring a diffusion transformer architecture, we devise several strategies to effectively integrate conditioning signals and improve prediction controllability and fidelity. The resulting model, ReSim, enables Reliable Simulation of diverse open-world driving scenarios under various actions, including hazardous non-expert ones. To close the gap between high-fidelity simulation and applications that require reward signals to judge different actions, we introduce a Video2Reward module that estimates a reward from ReSim's simulated future. Our ReSim paradigm achieves up to 44% higher visual fidelity, improves controllability for both expert and non-expert actions by over 50%, and boosts planning and policy selection performance on NAVSIM by 2% and 25%, respectively.
• Abstract（参考訳）: 幅広いエゴ運転行動の下で、将来の運転シナリオを確実にシミュレートするにはどうすればいいのか? 近年の運転世界モデルは、安全な専門家の軌跡を主とする実世界の運転データのみに基づいて開発されたもので、そのようなデータでは稀な危険または非専門家の行動に従うのに苦労している。 この制限は、政策評価のようなタスクに適用性を制限する。 本研究では,運転シミュレータ(例えば,CARLA)から収集した多種多様な非専門家データを用いて実世界の人間の実演を豊かにし,この異種コーパスに基づいて訓練された制御可能な世界モデルを構築することで,この問題に対処する。 拡散トランスアーキテクチャを備えたビデオジェネレータから始めると、条件付き信号を効果的に統合し、予測制御性と忠実性を改善するためのいくつかの戦略を考案する。 結果のモデルであるReSimは、有害な非専門家を含むさまざまな行動下での多様なオープンワールド駆動シナリオの信頼性シミュレーションを可能にする。 高忠実度シミュレーションと、異なる動作を判断するために報酬信号を必要とするアプリケーションとのギャップを埋めるために、ReSimのシミュレーションされた未来から報酬を推定するVideo2Rewardモジュールを導入する。 我々のReSimパラダイムは、最大44%の視覚的忠実度を実現し、専門家と非専門家の両方のアクションの制御性を50%以上改善し、NAVSIMの計画およびポリシー選択性能をそれぞれ2%、25%向上させる。

関連論文リスト

• CtRL-Sim: Reactive and Controllable Driving Agents with Offline Reinforcement Learning [38.63187494867502]
  CtRL-Simは、リターン条件付きオフライン強化学習(RL)を利用して、リアクティブで制御可能なトラフィックエージェントを効率的に生成する手法である。 CtRL-Simは,エージェントの挙動を詳細に制御しながら,現実的な安全クリティカルシナリオを生成可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-29T02:10:19Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• (Re)$^2$H2O: Autonomous Driving Scenario Generation via Reversely Regularized Hybrid Offline-and-Online Reinforcement Learning [4.340710644468283]
  オフラインとオンラインの両方のシミュレーションデータからシナリオを同時に生成することを学ぶ。 私たちのソリューションは、競合するベースラインよりもリスクの高いシナリオを生み出すことを証明しています。
  論文  参考訳（メタデータ） (2023-02-27T12:44:48Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Enhanced Transfer Learning for Autonomous Driving with Systematic Accident Simulation [3.2456691142503256]
  シミュレーションデータセット上での伝達学習は、より優れた一般化と衝突回避をもたらすことを示す。 シミュレーションデータに基づいてトレーニングされたモデルから得られた情報は,実世界のデータに基づいてトレーニングされたモデルに推測可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-23T17:27:00Z)

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。