論文の概要: SceneFactory: GPU-Accelerated Multi-Agent Driving Simulation with Physics-Based Vehicle Dynamics

• arxiv url: http://arxiv.org/abs/2605.08528v1
• Date: Fri, 08 May 2026 22:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 15:14:31.608371
• Title: SceneFactory: GPU-Accelerated Multi-Agent Driving Simulation with Physics-Based Vehicle Dynamics
• Title（参考訳）: SceneFactory: 物理に基づく車両ダイナミクスを用いたGPU加速マルチエージェント駆動シミュレーション
• Authors: Yicheng Zhu, Yang Chen, Tao Li, Zilin Bian,
• Abstract要約: SceneFactoryは、自動運転環境での手続き的なシーン構築、物理ベースのマルチエージェントシミュレーション、RLのためのGPUベクター化されたプラットフォームである。 SceneFactoryはOpen Motionのロードトポロジをシミュレーション可能なUSDの世界に変換し、1つのGPU上で複数の世界を同時に実行し、それぞれに複数の関節化したPhysX車両を投入し、降水と路面型をPhysX材料の摩擦係数にマップする。
• 参考スコア（独自算出の注目度）: 8.411603210370858
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous-driving simulators typically trade physical fidelity for scalable parallelism. Physics-based platforms such as CARLA and MetaDrive provide articulated vehicle dynamics and contact, but their non-vectorized interfaces make batched training difficult. GPU-batched systems such as Waymax and GPUDrive scale to hundreds of scenarios by replacing rigid-body physics with simplified kinematic models, omitting tire--road interaction, suspension, contact dynamics, and road-condition-dependent friction. We introduce SceneFactory, a GPU-vectorized platform for procedural scene construction, physics-based multi-agent simulation, and RL in autonomous-driving environments. Built on NVIDIA Isaac Sim + Isaac Lab, SceneFactory represents worlds and agents as batched tensors: control, observations, rewards, resets, and policy inference run as GPU tensor operations over the Isaac Lab tensor API. SceneFactory converts Waymo Open Motion Dataset road topologies into simulation-ready USD worlds, runs many worlds concurrently on one GPU, populates each with multiple articulated PhysX vehicles, and maps precipitation and road-surface type to PhysX material friction coefficients. With GPU vectorization, SceneFactory achieves up to 127$\times$ higher throughput than a non-vectorized PhysX baseline on the same GPU and physics solver, reaching 19,250 controlled-agent simulation steps per second at 256 worlds $\times$ 16 agents. Cross-simulator transfer reveals an asymmetric dynamics gap: physics-grounded RL policies transfer to a simplified kinematic bicycle model with 99.5% success, whereas reverse transfer drops to 47.3%. Under wet-road friction, friction-aware policies reduce mean peak DRAC from 58.7 to 27.8,m/s$^2$ without sacrificing goal reach. SceneFactory shows that scalable autonomous-driving training need not discard articulated rigid-body dynamics or physically grounded road-condition variation.
• Abstract（参考訳）: 自律走行シミュレータは通常、拡張性のある並列性のために物理的忠実さを交換する。 CARLAやMetaDriveのような物理ベースのプラットフォームは、車両のダイナミックスと接触性を提供するが、その非ベクトルインタフェースはバッチトレーニングを困難にしている。 WaymaxやGPUDriveといったGPUバッチシステムは、剛体物理学を単純化されたキネマティックモデルに置き換え、タイヤと道路の相互作用を省略し、サスペンション、接触ダイナミクス、道路条件に依存した摩擦によって数百のシナリオにスケールする。 自動走行環境におけるプロシージャシーン構築,物理ベースのマルチエージェントシミュレーション,RLのためのGPUベクタ化されたプラットフォームであるSceneFactoryを紹介する。 SceneFactoryはNVIDIA Isaac Sim + Isaac Lab上に構築され、Isaac LabテンソルAPI上のGPUテンソル操作として実行される制御、観察、報酬、リセット、ポリシー推論といった、バッチテンソルとして世界とエージェントを表現している。 SceneFactoryはWaymo Open Motion Datasetのロードトポロジをシミュレーション可能なUSDの世界に変換し、1つのGPU上で複数の世界を同時に実行し、それぞれに複数の関節化したPhysX車両を投入し、降水と路面型をPhysX材料の摩擦係数にマップする。 GPUベクタライゼーションにより、SceneFactoryは、同じGPUと物理ソルバ上の非ベクタライズされたPhysXベースラインよりも最大127$\times$高スループットを実現し、256 Worlds $\times$ 16エージェントで毎秒19,250コントロールエージェントシミュレーションステップに達した。 物理接地されたRLポリシーは、99.5%の成功で単純化されたキネマティック自転車モデルに移行する一方、リバーストランスファーは47.3%に低下する。 濡れた路面摩擦の下では、摩擦に配慮したポリシーにより平均ピークのDRACを58.7から27.8,m/s$^2$に減らし、ゴールリーチを犠牲にしない。 SceneFactoryは、スケーラブルな自動運転トレーニングは、堅固な体動や、物理的に接地された道路条件の変化を捨てる必要はないことを示している。

関連論文リスト

• GS-Playground: A High-Throughput Photorealistic Simulator for Vision-Informed Robot Learning [55.272458304179025]
  GS-Playgroundは、エンド・ツー・エンドの知覚学習を促進するために設計されたマルチモーダル・シミュレーション・フレームワークである。 このシステムは640x480の解像度で104 FPSのスループットを達成し、大規模な視覚的RLの障壁を著しく低減する。
  論文  参考訳（メタデータ） (2026-04-28T10:05:39Z)
• FLASH: Fast Learning via GPU-Accelerated Simulation for High-Fidelity Deformable Manipulation in Minutes [15.151803709340404]
  FLASHは、コンタクトリッチな変形操作のためのGPUネイティブなシミュレーションフレームワークである。 厳密な接触と変形の制約を強制する正確なNCPベースの解決器上に構築されている。
  論文  参考訳（メタデータ） (2026-04-19T16:07:43Z)
• HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles [63.88996084630768]
  制御可能な運転シーン生成は、現実的でスケーラブルな自律運転シミュレーションに不可欠である。 シーンを編集可能なガウス版とメッシュとして再構築する統合フレームワークであるHorizonForgeを紹介した。 実験により、ガウス・メシュ表現は代替の3次元表現よりもかなり高い忠実性をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-24T20:03:47Z)
• GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training [86.70824679370524]
  我々は,持ち上げ幾何事前学習に基づく一般物理シミュレーションのための統一事前学習モデルGeoPTを提案する。 中心となる考え方は、幾何学を合成力学で強化し、物理ラベルなしで動的に認識できる自己超越を可能にすることである。
  論文  参考訳（メタデータ） (2026-02-23T22:32:08Z)
• GaussGym: An open-source real-to-sim framework for learning locomotion from pixels [78.05453137978132]
  本稿では,3次元ガウススプラッティングをベクトル化物理シミュレータのドロップインとして統合した光現実的ロボットシミュレーションを提案する。 これにより、コンシューマGPUで毎秒10万ステップを超える、前例のないスピードを実現している。 また,シミュレーティブ・トゥ・リアル・ロボティクス・セッティングにおける適用性を実証した。
  論文  参考訳（メタデータ） (2025-10-17T06:34:52Z)
• ManiSkill3: GPU Parallelized Robotics Simulation and Rendering for Generalizable Embodied AI [26.070510680936486]
  ManiSkill3は、汎用的な操作をターゲットとしたコンタクトリッチな物理を備えた、最先端のGPU並列化ロボットシミュレータである。 ManiSkill3は、シミュレーション+レンダリング、異種シミュレーション、ポイントクラウド/ボクセルビジュアル入力など、多くの面でGPU並列化をサポートしている。
  論文  参考訳（メタデータ） (2024-10-01T06:10:39Z)
• Street Gaussians: Modeling Dynamic Urban Scenes with Gaussian Splatting [32.59889755381453]
  近年の手法では、走行中の車両のポーズをアニメーションに取り入れてNeRFを拡張し、ダイナミックな街路シーンのリアルな視認を可能にしている。 この制限に対処する新たな明示的なシーン表現であるStreet Gaussiansを紹介します。 提案手法は,全データセットで常に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-02T18:59:55Z)
• Language Conditioned Traffic Generation [37.71751991840586]
  LCTGenは、トランスフォーマーベースのデコーダアーキテクチャを備えた、大規模な言語モデルである。 初期トラフィック分布と各車両のダイナミックスを生成する。 LCTGenは、非条件と条件付きの両方のトラフィックシーン生成において、リアリズムと忠実さの点で、事前の作業よりも優れています。
  論文  参考訳（メタデータ） (2023-07-16T05:10:32Z)
• 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)

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。