論文の概要: ForestSim: A Synthetic Benchmark for Intelligent Vehicle Perception in Unstructured Forest Environments
- arxiv url: http://arxiv.org/abs/2603.27923v1
- Date: Mon, 30 Mar 2026 00:43:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.180593
- Title: ForestSim: A Synthetic Benchmark for Intelligent Vehicle Perception in Unstructured Forest Environments
- Title（参考訳）: ForestSim:非構造森林環境における知的車両認識のための総合ベンチマーク
- Authors: Pragat Wagle, Zheng Chen, Lantao Liu,
- Abstract要約: セマンティックセグメンテーションモデルのトレーニングと評価のために設計された高忠実な合成データセットであるフォレストシムを提案する。
ForestSimには25の多様な環境にまたがる2094のイメージがあり、複数の季節、地形、葉の密度をカバーしている。
非構造的なシーンに固有の課題があるにもかかわらず、強いパフォーマンスを報告します。
- 参考スコア（独自算出の注目度）: 10.729369304402995
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Robust scene understanding is essential for intelligent vehicles operating in natural, unstructured environments. While semantic segmentation datasets for structured urban driving are abundant, the datasets for extremely unstructured wild environments remain scarce due to the difficulty and cost of generating pixel-accurate annotations. These limitations hinder the development of perception systems needed for intelligent ground vehicles tasked with forestry automation, agricultural robotics, disaster response, and all-terrain mobility. To address this gap, we present ForestSim, a high-fidelity synthetic dataset designed for training and evaluating semantic segmentation models for intelligent vehicles in forested off-road and no-road environments. ForestSim contains 2094 photorealistic images across 25 diverse environments, covering multiple seasons, terrain types, and foliage densities. Using Unreal Engine environments integrated with Microsoft AirSim, we generate consistent, pixel-accurate labels across 20 classes relevant to autonomous navigation. We benchmark ForestSim using state-of-the-art architectures and report strong performance despite the inherent challenges of unstructured scenes. ForestSim provides a scalable and accessible foundation for perception research supporting the next generation of intelligent off-road vehicles. The dataset and code are publicly available: Dataset: https://vailforestsim.github.io Code: https://github.com/pragatwagle/ForestSim
- Abstract（参考訳）: 自然で非構造的な環境で動作するインテリジェントな車両には、ロバストなシーン理解が不可欠である。
構造化都市運転のためのセマンティックセグメンテーションデータセットは豊富であるが、画素精度のアノテーションを生成するのが困難でコストがかかるため、極めて非構造化の野生環境のためのデータセットは乏しい。
これらの制限は、森林自動化、農業ロボティクス、災害対応、全地形移動を扱うインテリジェントな地上車両に必要な認識システムの開発を妨げる。
このギャップに対処するために、森林のオフロードおよびノーロード環境において、インテリジェントな車両のセマンティックセグメンテーションモデルをトレーニングし評価するために設計された高忠実な合成データセットであるフォレストシムを提案する。
ForestSimには、25の多様な環境にまたがる2094年のフォトリアリスティック画像があり、複数の季節、地形、葉の密度をカバーしている。
Microsoft AirSimと統合されたUnreal Engine環境を使用して、自律ナビゲーションに関連する20のクラスに一貫したピクセル精度のラベルを生成する。
我々は、最先端のアーキテクチャを使用してForestSimをベンチマークし、非構造化シーンの固有の課題にもかかわらず、強力なパフォーマンスを報告します。
ForestSimは、次世代のインテリジェントオフロード車両をサポートする知覚研究のためのスケーラブルでアクセスしやすい基盤を提供する。
Dataset: https://vailforestsim.github.io Code: https://github.com/pragatwagle/ForestSim
関連論文リスト
- R3ST: A Synthetic 3D Dataset With Realistic Trajectories [7.7401133539188365]
R3ST(Realistic 3D Synthetic Trajectories)は,現実的な車両運動の欠如を克服する合成データセットである。
提案したデータセットは、合成データとリアルな軌跡のギャップを埋める。
論文 参考訳（メタデータ） (2025-12-18T17:18:45Z) - DrivingSphere: Building a High-fidelity 4D World for Closed-loop Simulation [54.02069690134526]
本研究では,現実的でクローズドループなシミュレーションフレームワークであるDrivingSphereを提案する。
その中核となる考え方は、4Dの世界表現を構築し、実生活と制御可能な運転シナリオを生成することである。
動的で現実的なシミュレーション環境を提供することで、DrivingSphereは自律運転アルゴリズムの包括的なテストと検証を可能にする。
論文 参考訳（メタデータ） (2024-11-18T03:00:33Z) - Learning autonomous driving from aerial imagery [67.06858775696453]
フォトグラムシミュレーターは、生成済みの資産を新しいビューに変換することによって、新しいビューを合成することができる。
我々は、ニューラルネットワーク場(NeRF)を中間表現として使用し、地上車両の視点から新しいビューを合成する。
論文 参考訳（メタデータ） (2024-10-18T05:09:07Z) - SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。
SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。
テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
論文 参考訳（メタデータ） (2024-06-13T17:58:32Z) - ConstScene: Dataset and Model for Advancing Robust Semantic Segmentation
in Construction Environments [1.4070907500169874]
本稿では,建設現場に適したセマンティックセグメンテーションデータセットを提案する。
このデータセットは、オブジェクト検出モデルのトレーニングと評価を強化するように設計されている。
論文 参考訳（メタデータ） (2023-12-27T10:49:19Z) - 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 Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - A Fine-Grained Dataset and its Efficient Semantic Segmentation for
Unstructured Driving Scenarios [1.933681537640272]
非構造環境における自律運転のためのセマンティックセグメンテーションデータセットであるTAS500を紹介する。
TAS500は、微粒の植生と地形クラスを提供し、屋外のシーンで運転可能な表面と自然の障害を効果的に学習します。
本実験は,全体的な予測精度を向上させるための細粒度セマンティクスクラスの利点を実証する。
論文 参考訳（メタデータ） (2021-03-24T11:30:43Z) - SurfelGAN: Synthesizing Realistic Sensor Data for Autonomous Driving [27.948417322786575]
本稿では,現実的なシナリオセンサデータを生成するための,シンプルで効果的な手法を提案する。
われわれのアプローチでは、テクスチャマップされたサーフを使用して、初期車両のパスやセットのパスからシーンを効率的に再構築する。
次に、SurfelGANネットワークを利用して、現実的なカメライメージを再構築し、自動運転車の新たな位置と方向を推定する。
論文 参考訳（メタデータ） (2020-05-08T04:01:14Z)
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。