論文の概要: SimScale: Learning to Drive via Real-World Simulation at Scale

• arxiv url: http://arxiv.org/abs/2511.23369v1
• Date: Fri, 28 Nov 2025 17:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.993484
• Title: SimScale: Learning to Drive via Real-World Simulation at Scale
• Title（参考訳）: SimScale: 実世界シミュレーションによるドライブ学習
• Authors: Haochen Tian, Tianyu Li, Haochen Liu, Jiazhi Yang, Yihang Qiu, Guang Li, Junli Wang, Yinfeng Gao, Zhang Zhang, Liang Wang, Hangjun Ye, Tieniu Tan, Long Chen, Hongyang Li,
• Abstract要約: 本稿では,既存の運転ログ上に巨大な未確認状態を合成可能な,新規でスケーラブルなシミュレーションフレームワークを提案する。 我々のパイプラインは、高度なニューラルレンダリングとリアクティブ環境を利用して、高忠実度マルチビュー観測を生成する。 我々は、これらの新しいシミュレーション状態に対する擬似経験的軌跡生成機構を開発し、行動監視を行う。
• 参考スコア（独自算出の注目度）: 45.08991279559151
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Achieving fully autonomous driving systems requires learning rational decisions in a wide span of scenarios, including safety-critical and out-of-distribution ones. However, such cases are underrepresented in real-world corpus collected by human experts. To complement for the lack of data diversity, we introduce a novel and scalable simulation framework capable of synthesizing massive unseen states upon existing driving logs. Our pipeline utilizes advanced neural rendering with a reactive environment to generate high-fidelity multi-view observations controlled by the perturbed ego trajectory. Furthermore, we develop a pseudo-expert trajectory generation mechanism for these newly simulated states to provide action supervision. Upon the synthesized data, we find that a simple co-training strategy on both real-world and simulated samples can lead to significant improvements in both robustness and generalization for various planning methods on challenging real-world benchmarks, up to +6.8 EPDMS on navhard and +2.9 on navtest. More importantly, such policy improvement scales smoothly by increasing simulation data only, even without extra real-world data streaming in. We further reveal several crucial findings of such a sim-real learning system, which we term SimScale, including the design of pseudo-experts and the scaling properties for different policy architectures. Our simulation data and code would be released.
• Abstract（参考訳）: 完全に自律的な運転システムを実現するには、安全クリティカルとアウト・オブ・ディストリビューションを含む幅広いシナリオで合理的な意思決定を学ぶ必要がある。 しかし、このようなケースは、人間の専門家が収集した現実世界のコーパスでは表現されていない。 データ多様性の欠如を補うために、既存の運転ログに巨大な見えない状態を合成できる、新しくスケーラブルなシミュレーションフレームワークを導入する。 当社のパイプラインは, 反応環境を用いた高度なニューラルレンダリングを用いて, 摂動エゴ軌道によって制御される高忠実度多視点観察を生成する。 さらに、これらの新しいシミュレートされた状態に対する擬似経験的軌跡生成機構を開発し、行動監視を行う。 合成されたデータから、実世界のサンプルと模擬サンプルの両方での単純なコトレーニング戦略は、実世界のベンチマークに挑戦する様々な計画手法の堅牢性と一般化の両方において、ナブテストにおける+6.8 EPDMSと、+2.9まで、大幅な改善をもたらすことが判明した。 さらに重要なのは、このようなポリシーの改善は、シミュレーションデータだけを増やすことでスムーズにスケールすることです。 さらに、疑似エキスパートの設計や異なるポリシーアーキテクチャのスケーリング特性など、SimScaleと呼ばれる、このようなシミュレートリアル学習システムのいくつかの重要な発見を明らかにした。 シミュレーションデータとコードを公開します。

関連論文リスト

• Simulation Priors for Data-Efficient Deep Learning [56.525770511247934]
  SimPELは、第一原理モデルとデータ駆動学習を効率的に組み合わせる手法である。 我々は,生物,農業,ロボットなど多様なシステムでSimPELを評価した。 意思決定において,SimPELはモデルに基づく強化学習において,シミュレーションと現実のギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-09-06T14:36:41Z)
• Synth It Like KITTI: Synthetic Data Generation for Object Detection in Driving Scenarios [3.30184292168618]
  本稿では,LiDAR点雲上での3次元物体検出のためのCARLAシミュレータに基づくデータセット生成パイプラインを提案する。 我々は、合成データに基づいてオブジェクト検出器を訓練し、KITTIデータセットに強力な一般化能力を示すことができる。
  論文  参考訳（メタデータ） (2025-02-20T22:27:42Z)
• ASID: Active Exploration for System Identification in Robotic Manipulation [32.27299045059514]
  本稿では,少数の実世界のデータを活用して,シミュレーションモデルを自律的に洗練し,正確な制御戦略を立案する学習システムを提案する。 本研究は, ロボット操作作業における調音, 質量, その他の物理パラメータの同定における, このパラダイムの有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-18T16:35:38Z)
• 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)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
  データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
  論文  参考訳（メタデータ） (2022-08-26T02:17:54Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

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。