論文の概要: UrbanTwin: Building High-Fidelity Digital Twins for Sim2Real LiDAR Perception and Evaluation

• arxiv url: http://arxiv.org/abs/2509.02903v2
• Date: Tue, 14 Oct 2025 16:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 14:23:56.829157
• Title: UrbanTwin: Building High-Fidelity Digital Twins for Sim2Real LiDAR Perception and Evaluation
• Title（参考訳）: UrbanTwin: Sim2Real LiDARの認識と評価のための高忠実なディジタルツインの構築
• Authors: Muhammad Shahbaz, Shaurya Agarwal,
• Abstract要約: 本チュートリアルでは,高忠実度ディジタルツイン(HiFi DT)を構築するための再現可能なワークフローを導入し,リアルな合成データセットを生成する。 衛星画像やOpenStreetMap,センサ仕様などのオープンソースリソースを用いて,静的な地形,道路インフラストラクチャ,動的トラフィックをモデル化するための実践的な手順を概説する。 結果として得られる環境は、スケーラブルで費用効率のよいデータ生成をサポートし、堅牢なSim2Real学習を実現する。
• 参考スコア（独自算出の注目度）: 3.1508266388327324
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LiDAR-based perception in intelligent transportation systems (ITS) relies on deep neural networks trained with large-scale labeled datasets. However, creating such datasets is expensive, time-consuming, and labor-intensive, limiting the scalability of perception systems. Sim2Real learning offers a scalable alternative, but its success depends on the simulation's fidelity to real-world environments, dynamics, and sensors. This tutorial introduces a reproducible workflow for building high-fidelity digital twins (HiFi DTs) to generate realistic synthetic datasets. We outline practical steps for modeling static geometry, road infrastructure, and dynamic traffic using open-source resources such as satellite imagery, OpenStreetMap, and sensor specifications. The resulting environments support scalable and cost-effective data generation for robust Sim2Real learning. Using this workflow, we have released three synthetic LiDAR datasets, namely UT-LUMPI, UT-V2X-Real, and UT-TUMTraf-I, which closely replicate real locations and outperform real-data-trained baselines in perception tasks. This guide enables broader adoption of HiFi DTs in ITS research and deployment.
• Abstract（参考訳）: インテリジェントトランスポートシステム(ITS)におけるLiDARベースの認識は、大規模ラベル付きデータセットでトレーニングされたディープニューラルネットワークに依存している。 しかし、そのようなデータセットの作成は費用がかかり、時間がかかり、労力がかかるため、知覚システムのスケーラビリティが制限される。 Sim2Real Learningはスケーラブルな代替手段を提供するが、その成功はシミュレーションの現実の環境、ダイナミックス、センサーへの忠実さに依存する。 本チュートリアルでは,高忠実度ディジタルツイン(HiFi DT)を構築するための再現可能なワークフローを導入し,リアルな合成データセットを生成する。 衛星画像やOpenStreetMap,センサ仕様などのオープンソースリソースを用いて,静的な地形,道路インフラストラクチャ,動的トラフィックをモデル化するための実践的な手順を概説する。 結果として得られる環境は、スケーラブルで費用効率のよいデータ生成をサポートし、堅牢なSim2Real学習を実現する。 このワークフローを用いて, UT-LUMPI, UT-V2X-Real, UT-TUMTraf-Iという3つの合成LiDARデータセットを作成した。 このガイドは、ITSの研究および展開におけるHiFi DTの広範な採用を可能にする。

関連論文リスト

• High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception [3.1508266388327324]
  本稿では,実世界の背景形状,レーンレベルの道路トポロジ,センサ固有の仕様と配置を組み込んだ高忠実なディジタルツイン(HiFi DT)フレームワークを提案する。 実験の結果、DT訓練モデルでは、実際のデータでトレーニングされた同等のモデルを4.8%上回る結果が得られた。
  論文  参考訳（メタデータ） (2025-09-03T00:12:58Z)
• A workflow for generating synthetic LiDAR datasets in simulation environments [0.0]
  本稿では,自動運転車の認識,ロボット工学研究,センサセキュリティ解析を支援するために,合成LiDARデータセットを生成するシミュレーションワークフローを提案する。 都会のシナリオで運用されている模擬車両プラットフォームに飛行時間LiDAR、画像センサ、二次元スキャナを統合する。 本研究は, 対向点注入や偽造攻撃などのLiDARデータにおける潜在的なセキュリティ脆弱性を調査し, 合成データセットが防衛戦略の評価をいかに促進するかを実証する。
  論文  参考訳（メタデータ） (2025-06-20T17:56:15Z)
• A large-scale, physically-based synthetic dataset for satellite pose estimation [0.0]
  本稿では,ハッブル宇宙望遠鏡(HST)を対象とするDLVS3-HST-V1データセットについて述べる。 データセットは、高度なリアルタイムおよびオフラインレンダリング技術を使用して生成され、高忠実度3Dモデル、ダイナミックライティング、物理的に正確な材料特性を統合する。 このパイプラインは、6-DoFのポーズとキーポイントデータ、セマンティックセグメンテーション、深さ、正規マップを備えた大規模でリッチな注釈付きイメージセットの作成をサポートする。
  論文  参考訳（メタデータ） (2025-06-15T09:24:32Z)
• MBDS: A Multi-Body Dynamics Simulation Dataset for Graph Networks Simulators [4.5353840616537555]
  物理現象をモデル化する主要な手法として,グラフネットワークシミュレータ (GNS) が登場している。 我々は,1D,2D,3Dシーンを含む高品質な物理シミュレーションデータセットを構築した。 私たちのデータセットの重要な特徴は、物理世界のより現実的なシミュレーションを促進する、正確な多体ダイナミクスを取り入れることである。
  論文  参考訳（メタデータ） (2024-10-04T03:03:06Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• The Devil in the Details: Simple and Effective Optical Flow Synthetic Data Generation [19.945859289278534]
  本稿では,光学フローデータセットの要求特性が比較的単純であり,簡易な合成データ生成法を提案する。 2次元動きに基づくデータセットでは、合成データセットを生成するための最も単純だが重要な要素を体系的に分析する。
  論文  参考訳（メタデータ） (2023-08-14T18:01:45Z)
• 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)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)

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。