論文の概要: OVPD: A Virtual-Physical Fusion Testing Dataset of OnSite Auton-omous Driving Challenge

• arxiv url: http://arxiv.org/abs/2604.20423v1
• Date: Wed, 22 Apr 2026 10:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.089236
• Title: OVPD: A Virtual-Physical Fusion Testing Dataset of OnSite Auton-omous Driving Challenge
• Title（参考訳）: OVPD:OnSite Auton-omous Driving Challengeの仮想物理核融合テストデータセット
• Authors: Yuhang Zhang, Jiarui Zhang, Bowen Jian, Xin Zhou, Zhichao Lv, Peng Hang, Rongjie Yu, Ye Tian, Jian Sun,
• Abstract要約: OVPDは、2025年のOnSite Autonomous Driving Challengeからリリースされた仮想物理核融合テストデータセットである。 仮想バックグラウンドトラフィックと車両とインフラの認識を統合して、制御可能で対話的なクローズループテスト環境を構築する。 データセットには、20チームによる15のアトミックシナリオのシナリオチェーンに関する20のテストクリップが含まれており、合計で3時間近いマルチモーダルデータが含まれている。
• 参考スコア（独自算出の注目度）: 42.04544329396678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid iteration of autonomous driving algorithms has created a growing demand for high-fidelity, replayable, and diagnosable testing data. However, many public datasets lack real vehicle dynamics feedback and closed-loop interaction with surrounding traffic and road infrastructure, limiting their ability to reflect deployment readiness. To address this gap, we present OVPD (OnSite Virtual-Physical Dataset), a virtual-physical fusion testing dataset released from the 2025 OnSite Autonomous Driving Challenge. Centered on real-vehicle-in-the-loop testing, OVPD integrates virtual background traffic with vehicle-infrastructure perception to build controllable and interactive closed-loop test environments on a proving ground. The dataset contains 20 testing clips from 20 teams over a scenario chain of 15 atomic scenarios, totaling nearly 3 hours of multi-modal data, including vehicle trajectories and states, control commands, and digital-twin-rendered surround-view observations. OVPD supports long-tail planning and decision-making validation, open-loop or platform-enabled closed-loop evaluation, and comprehensive assessment across safety, efficiency, comfort, rule compliance, and traffic impact, providing actionable evidence for failure diagnosis and iterative improvement. The dataset is available via: https://huggingface.co/datasets/Yuhang253820/Onsite_OPVD
• Abstract（参考訳）: 自動運転アルゴリズムの急激なイテレーションは、高忠実で再生可能で診断可能なテストデータに対する需要が高まっている。 しかしながら、多くのパブリックデータセットには、実際の車両のダイナミックスフィードバックや、周囲のトラフィックや道路インフラストラクチャとのクローズドループのインタラクションがなく、デプロイメントの準備ができていることを反映する能力が制限されている。 このギャップに対処するため、2025年のOnSite Autonomous Driving Challengeからリリースされた仮想物理融合テストデータセットであるOVPD(OnSite Virtual-Physical Dataset)を紹介する。 実車載ループテストを中心に、OVPDは仮想バックグラウンドトラフィックと車両とインフラの認識を統合して、試験現場で制御可能で対話的なクローズループテスト環境を構築する。 データセットには、20チームによる15の原子シナリオのシナリオチェーンによる20のテストクリップが含まれており、車両軌道や状態、制御コマンド、デジタルツインレンダリングサラウンドビューの観察を含む、合計3時間近いマルチモーダルデータが含まれている。 OVPDは、長期計画と意思決定の検証、オープンループまたはプラットフォーム対応のクローズドループ評価、安全性、効率性、快適性、ルールコンプライアンス、交通影響の包括的な評価をサポートし、障害診断と反復的な改善の実行可能な証拠を提供する。 データセットは、https://huggingface.co/datasets/Yuhang253820/Onsite_OPVDを介して利用できる。

関連論文リスト

• Collision-Aware Vision-Language Learning for End-to-End Driving with Multimodal Infraction Datasets [7.932761533792761]
  高屈折率は、エンド・ツー・エンド(E2E)自動運転の主要なボトルネックである。 VLAAD(Video-Language-Augmented Anomaly Detector)を開発した。 VLAADは衝突対応のプラグインモジュールで、既存のE2E駆動モデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-03-26T22:32:52Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories [13.847243701930879]
  本研究は,典型的な都市信号化交差点における高密度コンフリクトを捕捉する微粒な軌跡データセットを含むFLUIDを紹介する。 FLUIDは3つの異なる交差点をカバーしており、録音時間はおよそ5時間で、8つのカテゴリに2万以上のTPがある。 データセットは毎分平均で2台の車両が衝突し、全自動車の約25%が関与している。
  論文  参考訳（メタデータ） (2025-08-30T13:38:42Z)
• OnSiteVRU: A High-Resolution Trajectory Dataset for High-Density Vulnerable Road Users [41.63444034391952]
  本研究は,交差点,道路セグメント,都市村など,様々なシナリオをカバーするOnSiteVRUデータセットを開発した。 データセットは、自動車、電動自転車、人力自転車の軌道データを提供し、約17,429の軌道を0.04秒精度で収集する。 その結果、VRU_DataはVRU密度とシーンカバレッジの点で従来のデータセットよりも優れており、VRUの行動特性をより包括的に表現できることがわかった。
  論文  参考訳（メタデータ） (2025-03-30T08:44:55Z)
• 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)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• DOLPHINS: Dataset for Collaborative Perception enabled Harmonious and Interconnected Self-driving [19.66714697653504]
  V2Xネットワークは、自動運転における協調的な認識を可能にしている。 データセットの欠如は、協調認識アルゴリズムの開発を著しく妨げている。 DOLPHINS: cOllaborative Perception を実現するためのデータセットである Harmonious と Inter connected Self-driving をリリースする。
  論文  参考訳（メタデータ） (2022-07-15T17:07:07Z)
• LiveMap: Real-Time Dynamic Map in Automotive Edge Computing [14.195521569220448]
  LiveMapは、接続された車両のデータをサブ秒でクラウドソーシングし、道路上のオブジェクトを検出し、一致させ、追跡するリアルタイムダイナミックマップです。 車両の計算を適応的にオフロードできるlivemapの制御プレーンを開発した。 小型テストベッド上でLiveMapを実装し,大規模ネットワークシミュレータを開発した。
  論文  参考訳（メタデータ） (2020-12-16T15:00:49Z)

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。