論文の概要: nuCarla: A nuScenes-Style Bird's-Eye View Perception Dataset for CARLA Simulation

• arxiv url: http://arxiv.org/abs/2511.13744v1
• Date: Wed, 12 Nov 2025 22:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.667905
• Title: nuCarla: A nuScenes-Style Bird's-Eye View Perception Dataset for CARLA Simulation
• Title（参考訳）: nuCarla: CARLAシミュレーションのためのnuScenes-Style Bird's-Eye View知覚データセット
• Authors: Zhijie Qiao, Zhong Cao, Henry X. Liu,
• Abstract要約: nuCarlaは、CARLAシミュレータ内に構築された大規模なnuScenesスタイルのBEV知覚データセットである。 データとモデルをオープンベンチマークとして提供することで、nuCarlaはクローズドループE2Eの開発を大幅に加速する。
• 参考スコア（独自算出の注目度）: 10.12033488279778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end (E2E) autonomous driving heavily relies on closed-loop simulation, where perception, planning, and control are jointly trained and evaluated in interactive environments. Yet, most existing datasets are collected from the real world under non-interactive conditions, primarily supporting open-loop learning while offering limited value for closed-loop testing. Due to the lack of standardized, large-scale, and thoroughly verified datasets to facilitate learning of meaningful intermediate representations, such as bird's-eye-view (BEV) features, closed-loop E2E models remain far behind even simple rule-based baselines. To address this challenge, we introduce nuCarla, a large-scale, nuScenes-style BEV perception dataset built within the CARLA simulator. nuCarla features (1) full compatibility with the nuScenes format, enabling seamless transfer of real-world perception models; (2) a dataset scale comparable to nuScenes, but with more balanced class distributions; (3) direct usability for closed-loop simulation deployment; and (4) high-performance BEV backbones that achieve state-of-the-art detection results. By providing both data and models as open benchmarks, nuCarla substantially accelerates closed-loop E2E development, paving the way toward reliable and safety-aware research in autonomous driving.
• Abstract（参考訳）: エンド・ツー・エンド(E2E)の自動運転は、対話的な環境で知覚、計画、制御が共同で訓練され評価されるクローズドループシミュレーションに大きく依存している。 しかし、既存のデータセットのほとんどは、非インタラクティブな条件下で現実世界から収集され、主にクローズドループテストの限られた価値を提供しながら、オープンループ学習をサポートする。 バードアイビュー(BEV)機能のような意味のある中間表現の学習を容易にするために、標準化され、大規模で、徹底的に検証されたデータセットが欠如しているため、クローズループE2Eモデルは単純なルールベースのベースラインよりもはるかに遅れている。 この課題に対処するために、我々はCARLAシミュレータ内に構築された大規模なnuScenesスタイルのBEV知覚データセットであるnuCarlaを紹介した。 nuCarlaは(1)実世界の知覚モデルのシームレスな転送を可能にするnuScenesフォーマットとの完全な互換性、(2)nuScenesに匹敵するデータセットスケール、(3)クローズドループシミュレーションの直接使用性、(4)最先端の検知結果を達成する高性能なBEVバックボーンを備えている。 データとモデルの両方をオープンベンチマークとして提供することで、nuCarlaはクローズドループE2Eの開発を大幅に加速し、自動運転における信頼性と安全性に配慮した研究への道を開く。

関連論文リスト

• DriveE2E: Closed-Loop Benchmark for End-to-End Autonomous Driving through Real-to-Simulation [30.965269391221373]
  我々は,CARLAシミュレータに現実の運転シナリオを密に統合した,単純なクローズドループ評価フレームワークを導入する。 当社のアプローチでは、高マウントのインフラストラクチャセンサーによってキャプチャされた総合的な100時間ビデオデータセットから選択された800の動的トラフィックシナリオを抽出する。 これらのデジタル双生児は実世界の交通と環境特性を正確に再現し、CARLAのより現実的なシミュレーションを可能にした。
  論文  参考訳（メタデータ） (2025-09-28T14:55:14Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• CARLA2Real: a tool for reducing the sim2real appearance gap in CARLA simulator [2.478819644330144]
  我々は、シミュレーションデータのフォトリアリズムを高めるために最先端のアプローチを採用し、それらを実世界のデータセットの視覚的特徴と整合させる。 そこで我々はCARLA2Realを開発した。CARLA2Realは、広く使われているオープンソースのCARLAシミュレーターである。 このツールは、CARLAをほぼリアルタイムで出力し、13FPSのフレームレートを実現し、実世界のデータセットの視覚的スタイルとリアリズムに変換する。
  論文  参考訳（メタデータ） (2024-10-23T19:33:30Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)

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。