論文の概要: SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration

• arxiv url: http://arxiv.org/abs/2510.24052v1
• Date: Tue, 28 Oct 2025 04:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 17:50:20.176117
• Title: SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration
• Title（参考訳）: SynAD: 合成データ統合による実世界のエンドツーエンド自動運転モデルの強化
• Authors: Jongsuk Kim, Jaeyoung Lee, Gyojin Han, Dongjae Lee, Minki Jeong, Junmo Kim,
• Abstract要約: 合成データを用いた実世界のE2E ADモデルの拡張を目的とした,最初のフレームワークであるSynADを紹介する。 本手法は,マルチエージェント合成シナリオにおいて,エージェントをエゴ車として最も包括的な運転情報で指定する。 我々は、これらのマップベースの合成データを実運転データと効果的に統合する訓練戦略を考案する。
• 参考スコア（独自算出の注目度）: 18.10769055616004
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advancements in deep learning and the availability of high-quality real-world driving datasets have propelled end-to-end autonomous driving. Despite this progress, relying solely on real-world data limits the variety of driving scenarios for training. Synthetic scenario generation has emerged as a promising solution to enrich the diversity of training data; however, its application within E2E AD models remains largely unexplored. This is primarily due to the absence of a designated ego vehicle and the associated sensor inputs, such as camera or LiDAR, typically provided in real-world scenarios. To address this gap, we introduce SynAD, the first framework designed to enhance real-world E2E AD models using synthetic data. Our method designates the agent with the most comprehensive driving information as the ego vehicle in a multi-agent synthetic scenario. We further project path-level scenarios onto maps and employ a newly developed Map-to-BEV Network to derive bird's-eye-view features without relying on sensor inputs. Finally, we devise a training strategy that effectively integrates these map-based synthetic data with real driving data. Experimental results demonstrate that SynAD effectively integrates all components and notably enhances safety performance. By bridging synthetic scenario generation and E2E AD, SynAD paves the way for more comprehensive and robust autonomous driving models.
• Abstract（参考訳）: ディープラーニングの最近の進歩と高品質な現実世界の運転データセットの利用により、エンドツーエンドの自動運転が推進されている。 この進歩にもかかわらず、実際のデータのみに依存することで、トレーニングのためのさまざまな駆動シナリオが制限される。 合成シナリオ生成は、トレーニングデータの多様性を豊かにするための有望なソリューションとして登場したが、E2E ADモデルにおけるその応用は、まだほとんど探索されていない。 これは主に、指定されたエゴ車両がなく、カメラやLiDARのような関連するセンサー入力が、通常現実世界のシナリオで提供されるためである。 このギャップに対処するために、合成データを用いた実世界のE2E ADモデルを強化するために設計された最初のフレームワークであるSynADを紹介する。 本手法は,マルチエージェント合成シナリオにおいて,エージェントをエゴ車として最も包括的な運転情報で指定する。 我々はさらに地図上に経路レベルのシナリオを投影し、新たに開発されたMap-to-BEVネットワークを用いて、センサ入力に頼ることなく鳥の目視特徴を導出する。 最後に、これらのマップベースの合成データを実運転データと効果的に統合する訓練戦略を考案する。 実験結果から,SynADは全コンポーネントを効果的に統合し,安全性の向上を図っている。 合成シナリオ生成とE2E ADをブリッジすることで、SynADはより包括的で堅牢な自動運転モデルを実現する。

関連論文リスト

• Drive&Gen: Co-Evaluating End-to-End Driving and Video Generation Models [33.32483442886097]
  本稿では、E2Eドライバを利用した新しい統計手法を提案し、生成したビデオのリアリズムを評価する。 ビデオ生成モデルにより生成された合成データは,実世界のデータ収集に代わる費用対効果があることを示す。
  論文  参考訳（メタデータ） (2025-10-07T17:58:32Z)
• 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)
• Evaluating the Impact of Synthetic Data on Object Detection Tasks in Autonomous Driving [0.0]
  実・合成・混合データセットに基づいて訓練された2次元・3次元オブジェクト検出タスクを比較した。 その結果,実データと合成データを組み合わせることで,物体検出モデルのロバスト性や一般化が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T20:13:33Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Synthetic Datasets for Autonomous Driving: A Survey [13.287734271923565]
  実世界のデータセットは、高価で時間を要する実験とラベル付けのコストのために、要求の変化のペースに遅れずにはいられない。 ますます多くの研究者が、リッチで変化しやすいデータを生成するために、合成データセットに目を向けている。
  論文  参考訳（メタデータ） (2023-04-24T15:46:10Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)

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。