論文の概要: A Workflow for Map Creation in Autonomous Vehicle Simulations

• arxiv url: http://arxiv.org/abs/2508.16856v1
• Date: Sat, 23 Aug 2025 00:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.214425
• Title: A Workflow for Map Creation in Autonomous Vehicle Simulations
• Title（参考訳）: 自動運転車シミュレーションにおける地図作成のワークフロー
• Authors: Zubair Islam, Ahmaad Ansari, George Daoud, Mohamed El-Darieby,
• Abstract要約: 正確な地図と適応可能な地図は、自律走行車(AV)の開発において重要である。 本稿では,オンタリオ工科大学の駐車場の3Dマップの生成を通じて,AV開発のための地図作成を効率化するカスタムワークフローを提案する。 今後、SLAM技術の導入、より広範なシミュレータ互換性のためのワークフローの最適化、地図生成精度を高めるために緯度と経度値のより柔軟な扱いについて研究する予定である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The fast development of technology and artificial intelligence has significantly advanced Autonomous Vehicle (AV) research, emphasizing the need for extensive simulation testing. Accurate and adaptable maps are critical in AV development, serving as the foundation for localization, path planning, and scenario testing. However, creating simulation-ready maps is often difficult and resource-intensive, especially with simulators like CARLA (CAR Learning to Act). Many existing workflows require significant computational resources or rely on specific simulators, limiting flexibility for developers. This paper presents a custom workflow to streamline map creation for AV development, demonstrated through the generation of a 3D map of a parking lot at Ontario Tech University. Future work will focus on incorporating SLAM technologies, optimizing the workflow for broader simulator compatibility, and exploring more flexible handling of latitude and longitude values to enhance map generation accuracy.
• Abstract（参考訳）: 技術と人工知能の急速な開発は、広範囲なシミュレーションテストの必要性を強調した、かなり先進的な自律走行車(AV)研究をもたらした。 正確な地図と適応可能な地図は、AV開発において重要であり、ローカライゼーション、経路計画、シナリオテストの基礎となっている。 しかし、特にCARLA(CAR Learning to Act)のようなシミュレータでは、シミュレーション可能なマップの作成は困難でリソース集約的であることが多い。 多くの既存のワークフローは計算資源を必要とするか、特定のシミュレータに依存しており、開発者の柔軟性を制限している。 本稿では,オンタリオ工科大学の駐車場の3Dマップの生成を通じて,AV開発のための地図作成を効率化するカスタムワークフローを提案する。 今後、SLAM技術の導入、より広範なシミュレータ互換性のためのワークフローの最適化、地図生成精度を高めるために緯度と経度値のより柔軟な扱いについて研究する予定である。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes and Minimalist Workflow [24.789118651720045]
  光実写シーンを用いた自律走行シミュレータを提案する。 シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。 シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
  論文  参考訳（メタデータ） (2024-01-28T23:26:15Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Choose Your Simulator Wisely: A Review on Open-source Simulators for Autonomous Driving [25.320362844415012]
  シミュレータで開発されたアルゴリズムの有効性が懸念されている。 本稿では,シミュレータの進化を解析し,その機能と実用性について解説する。 アクセシビリティ、保守状態、品質などの要因を考慮して、選択シミュレータの勧告を提示する。
  論文  参考訳（メタデータ） (2023-11-18T12:30:41Z)
• 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)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• An unsupervised, open-source workflow for 2D and 3D building mapping from airborne LiDAR data [0.0]
  本研究では,空中LiDARデータを利用した大規模2次元および3次元ビルディングマッピングのためのオープンソースワークフローを提案する。 私たちのワークフローは完全に教師なしであり、いかなるトレーニング手順も不要です。 提案手法のロバスト性は,広範囲なデータセット(>550 km$2$)を用いて厳密に検証され,深層学習および手指による製品との比較によりさらに検証されている。
  論文  参考訳（メタデータ） (2022-05-29T07:00:34Z)
• Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
  我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。 単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。 バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
  論文  参考訳（メタデータ） (2021-03-12T00:22:50Z)

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。