論文の概要: Real2Sim: A Physics-driven and Editable Gaussian Splatting Framework for Autonomous Driving Scenes
- arxiv url: http://arxiv.org/abs/2605.13591v1
- Date: Wed, 13 May 2026 14:26:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:28.103315
- Title: Real2Sim: A Physics-driven and Editable Gaussian Splatting Framework for Autonomous Driving Scenes
- Title（参考訳）: Real2Sim: 自律走行シーンのための物理駆動で編集可能なガウススプレイティングフレームワーク
- Authors: Kaicong Huang, Talha Azfar, Weisong Shi, Ruimin Ke,
- Abstract要約: Real2Sim は 4D Gaussian Splatting (4DGS) と差別化可能なMaterial Point Method (MPM) を結合した統合フレームワークである。
Real2Simは動的駆動シーンを時間的に連続したガウスプリミティブとして明示的に再構築し、インスタンスレベルの編集をサポートし、現実的なオブジェクトとオブジェクトと環境の相互作用をシミュレートする。
Openデータセットの実験では、Real2Simのレンダリング、再構築、編集、物理シミュレーションの能力を検証するとともに、認識、追跡、軌道予測、エンドツーエンドポリシー学習といった下流タスクでデータを生成するためのスケーラブルなツールとしての可能性を示している。
- 参考スコア（独自算出の注目度）: 4.759823735082845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable autonomous driving relies on large-scale, well-labeled data and robust models. However, manual data collection is resource-intensive, and traditional simulation suffers from a persistent reality gap. While recent generative frameworks and radiance-field methods improve visual fidelity, they still struggle with temporal and spatial consistency and cannot ensure physics-aware behavior, limiting their applicability to driving scenario generation. To address these challenges, we propose Real2Sim, an unified framework that combines 4D Gaussian Splatting (4DGS) with a differentiable Material Point Method (MPM) solver. Real2Sim explicitly reconstructs dynamic driving scenes as temporally continuous Gaussian primitives, supports instance-level editing, and simulates realistic object-object and object-environment interactions. This framework enables physics-aware, high-fidelity synthesis of diverse, editable scenarios, including challenging corner cases such as collisions and post-impact trajectories. Experiments on the Waymo Open Dataset validate Real2Sim's capabilities in rendering, reconstruction, editing, and physics simulation, demonstrating its potential as a scalable tool for data generation in downstream tasks such as perception, tracking, trajectory prediction, and end-to-end policy learning.
- Abstract（参考訳）: 信頼性の高い自動運転は、大規模で十分にラベル付けされたデータと堅牢なモデルに依存している。
しかし、手動のデータ収集はリソース集約であり、従来のシミュレーションは持続的な現実のギャップに悩まされている。
最近の生成フレームワークや放射場法は視覚的忠実度を向上させるが、時間的・空間的整合性に苦慮し、物理的な振る舞いを保証できず、シナリオ生成への適用性を制限している。
これらの課題に対処するために,4次元ガウス散乱(4DGS)と微分可能な材料点法(MPM)を組み合わせた統合フレームワークであるReal2Simを提案する。
Real2Simは動的駆動シーンを時間的に連続したガウスプリミティブとして明示的に再構成し、インスタンスレベルの編集をサポートし、現実的なオブジェクトとオブジェクトと環境の相互作用をシミュレートする。
このフレームワークは、衝突やポストインパクト軌道のような挑戦的なコーナーケースを含む、多種多様な編集可能なシナリオの、物理学的、高忠実な合成を可能にする。
Waymo Open Datasetの実験では、Real2Simのレンダリング、再構築、編集、物理シミュレーションの能力を検証するとともに、認識、トラッキング、軌道予測、エンドツーエンドポリシー学習といった下流タスクにおけるデータ生成のスケーラブルなツールとしての可能性を示している。
関連論文リスト
- SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds [36.87909899472009]
本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2026-04-09T17:59:52Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳（メタデータ） (2026-02-27T15:35:30Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - 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) - 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)
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。