論文の概要: RoboTron-Sim: Improving Real-World Driving via Simulated Hard-Case
- arxiv url: http://arxiv.org/abs/2508.04642v1
- Date: Wed, 06 Aug 2025 17:07:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.836593
- Title: RoboTron-Sim: Improving Real-World Driving via Simulated Hard-Case
- Title（参考訳）: RoboTron-Sim:シミュレートされたハードケースによる実世界の運転改善
- Authors: Baihui Xiao, Chengjian Feng, Zhijian Huang, Feng yan, Yujie Zhong, Lin Ma,
- Abstract要約: 本稿では, シミュレーションしたハードケースを利用して, 現実の運転を改善するRoboTron-Simを提案する。
nuScenesの大規模な実験によると、RoboTron-Simは挑戦的なシナリオでの駆動性能を約50%改善している。
- 参考スコア（独自算出の注目度）: 19.486734597018884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collecting real-world data for rare high-risk scenarios, long-tailed driving events, and complex interactions remains challenging, leading to poor performance of existing autonomous driving systems in these critical situations. In this paper, we propose RoboTron-Sim that improves real-world driving in critical situations by utilizing simulated hard cases. First, we develop a simulated dataset called Hard-case Augmented Synthetic Scenarios (HASS), which covers 13 high-risk edge-case categories, as well as balanced environmental conditions such as day/night and sunny/rainy. Second, we introduce Scenario-aware Prompt Engineering (SPE) and an Image-to-Ego Encoder (I2E Encoder) to enable multimodal large language models to effectively learn real-world challenging driving skills from HASS, via adapting to environmental deviations and hardware differences between real-world and simulated scenarios. Extensive experiments on nuScenes show that RoboTron-Sim improves driving performance in challenging scenarios by around 50%, achieving state-of-the-art results in real-world open-loop planning. Qualitative results further demonstrate the effectiveness of RoboTron-Sim in better managing rare high-risk driving scenarios. Project page: https://stars79689.github.io/RoboTron-Sim/
- Abstract（参考訳）: 希少な高リスクシナリオ、長い尾の運転イベント、複雑なインタラクションのための実世界のデータ収集は依然として困難であり、これらの重要な状況下での既存の自動運転システムの性能の低下につながります。
本稿では,シミュレートされたハードケースを利用して,クリティカルな状況下での現実の運転を改善するRoboTron-Simを提案する。
まず, 日・夜・日・日・日などのバランスのとれた環境条件だけでなく, 13のリスクの高いエッジケースを対象とするHard-case Augmented Synthetic Scenarios (HASS) と呼ばれるシミュレーションデータセットを開発した。
第2に,SPE(Scenario-aware Prompt Engineering)とI2Eエンコーダ(Image-to-Ego Encoder)を導入し,実世界とシミュレートされたシナリオ間の環境差やハードウェアの違いに適応することで,マルチモーダルな大規模言語モデルをHASSから効果的に学習できるようにする。
nuScenesの大規模な実験によると、RoboTron-Simは挑戦的なシナリオにおける駆動性能を約50%改善し、実際のオープンループ計画における最先端の結果を達成する。
定性的な結果は、まれな高リスク運転シナリオのより良い管理におけるRoboTron-Simの有効性をさらに示している。
プロジェクトページ: https://stars79689.github.io/RoboTron-Sim/
関連論文リスト
- RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。
3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。
我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
論文 参考訳（メタデータ） (2025-06-28T05:03:31Z) - ReSim: Reliable World Simulation for Autonomous Driving [46.43113413834109]
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。
論文 参考訳（メタデータ） (2025-06-11T17:55:05Z) - Unraveling the Effects of Synthetic Data on End-to-End Autonomous Driving [35.49042205415498]
SceneCrafterは3Dガウススプレイティングに基づくリアルでインタラクティブで効率的な自動運転シミュレータである(3DGS)。
SceneCrafterは、さまざまなトラフィックシナリオにわたる現実的な運転ログを効率的に生成する。
また、エンドツーエンドモデルの堅牢なクローズドループ評価を可能にする。
論文 参考訳（メタデータ） (2025-03-23T15:27:43Z) - Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions [11.633051537198687]
IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。
IntSimは、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-07T06:59:27Z) - Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation [62.5805866419814]
Vid2Simは、ニューラル3Dシーンの再構築とシミュレーションのためのスケーラブルで費用効率のよいReal2simパイプラインを通じてsim2realギャップをブリッジする新しいフレームワークである。
実験により、Vid2Simはデジタル双生児と現実世界の都市ナビゲーションの性能を31.2%、成功率68.3%で大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-01-12T03:01:15Z) - Realistic Corner Case Generation for Autonomous Vehicles with Multimodal Large Language Model [10.741225574706]
AutoScenarioは、現実的なコーナーケース生成のためのフレームワークである。
複数の情報源からの安全クリティカルな現実世界データをテキスト表現に変換する。
シミュレーション・オブ・アーバンモビリティ(SUMO)とCARLAシミュレータのツールを統合している。
論文 参考訳（メタデータ） (2024-11-29T20:23:28Z) - DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。
その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。
動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
論文 参考訳（メタデータ） (2024-11-18T03:00:33Z) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。
UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。
動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文 参考訳（メタデータ） (2023-08-03T17:56:06Z)
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。