論文の概要: Cam2Sim: Neural Scenario Reconstruction for Closed-Loop Autonomous Driving Simulation

• arxiv url: http://arxiv.org/abs/2607.04770v1
• Date: Mon, 06 Jul 2026 08:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.082127
• Title: Cam2Sim: Neural Scenario Reconstruction for Closed-Loop Autonomous Driving Simulation
• Title（参考訳）: Cam2Sim: 閉ループ自律運転シミュレーションのためのニューラルシナリオ再構築
• Abstract要約: Cam2Simは、現実世界の運転記録を再生可能なCARLAシミュレーションシナリオに変換するツールである。 このフレームワークはROSベースのデータ抽出、駐車車検出、OpenStreetMapベースのマップ生成をサポートする。 我々はCam2Simを、カメラベースのエンドツーエンド運転モデルを用いて、現実の都市走行シナリオで検証する。
• 参考スコア（独自算出の注目度）: 0.9114245816258512
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Simulation-based testing enables safe and repeatable evaluation of autonomous driving systems, but its effectiveness is limited by the gap between synthetic simulator outputs and real-world camera observations. To address this problem, we present Cam2Sim, a tool that transforms real-world driving recordings into playable CARLA simulation scenarios. Starting from camera images and poses, Cam2Sim reconstructs road geometry, ego trajectories, parked vehicles, and simulation assets, and augments the reconstructed environment with Gaussian Splatting to render camera observations that resemble the original recording. The framework supports ROS-based data extraction, parked-vehicle detection, OpenStreetMap-based map generation, CARLA scenario construction, Gaussian Splatting training, trajectory replay, and closed-loop execution with a system under test. We validate Cam2Sim on a real-world urban-driving scenario with a camera-based end-to-end driving model, comparing reconstruction quality, image-generation quality, and closed-loop behavior against both a simulation-only baseline and the real-world target. Results show that Gaussian-Splatting-based rendering reduces the visual gap with respect to standard simulator rendering and improves behavioral similarity to the real-world reference runs. The artifact is publicly available at https: //github.com/ast-fortiss-tum/cam2sim, and a screencast showing the tool is available at https://youtu.be/KmZ74l1__lI
• Abstract（参考訳）: シミュレーションに基づくテストは、自律走行システムの安全かつ繰り返し評価を可能にするが、その有効性は、合成シミュレータ出力と実世界のカメラ観測とのギャップによって制限される。 この問題に対処するために,実世界の運転記録を再生可能なCARLAシミュレーションシナリオに変換するCam2Simを提案する。 カメラ画像とポーズから始まり、Cam2Simは道路地形、エゴ軌道、駐車中の車両、シミュレーション資産を再構築し、ガウス・スプティング(英語版)で再建された環境を増強し、オリジナルの録音に似たカメラ観察を行う。 このフレームワークは、ROSベースのデータ抽出、駐車車検出、OpenStreetMapベースのマップ生成、CARLAシナリオ構築、ガウススプラッティングトレーニング、軌道リプレイ、テスト中のシステムによるクローズドループ実行をサポートする。 我々は,Cam2Simを,シミュレーションのみのベースラインと実世界のターゲットの両方に対して,再現性,画像生成品質,クローズドループの挙動を比較し,カメラに基づくエンドツーエンド運転モデルを用いて実世界の都市走行シナリオで検証する。 その結果,ガウス・スプレイティングに基づくレンダリングは,標準的なシミュレータレンダリングに対する視覚的ギャップを減らし,実世界の参照実行と挙動の類似性を改善することが示唆された。 このアーティファクトはhttps: //github.com/ast-fortiss-tum/cam2simで公開されており、ツールを示すスクリーンキャストはhttps://youtu.be/KmZ74l1_lIで公開されている。

関連論文リスト

• Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation [58.86413499077093]
  状態更新型自己回帰駆動ビデオ生成のための生成センサシミュレーションフレームワークであるSkeleton を textbfemphPoint として提案する。 閉ループロールアウトをサポートするために,リセット・アンド・ロール(Reset-and-Roll)を導入し,ローリング拡散推論をシミュレーションに適用する。 nuScenes と nuPlan の実験では、textitPoint as Skeleton がクローズドループロールアウト時の自動回帰生成品質を向上させることが示されている。
  論文  参考訳（メタデータ） (2026-07-07T17:20:51Z)
• ReconDreamer-RL: Enhancing Reinforcement Learning via Diffusion-based Scene Reconstruction [26.402373173809753]
  ReconDreamer-RLは、ビデオ拡散前処理をシーン再構成に統合し、強化学習を支援するためのフレームワークである。 ReconDreamer-RLは、衝突率を5倍に下げた模倣学習法よりも優れた、エンドツーエンドの自動運転訓練を改善する。
  論文  参考訳（メタデータ） (2025-08-11T16:45:55Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving [48.84595398410479]
  HUGSIMは、自律運転アルゴリズムを評価するためのクローズドループ、フォトリアリスティック、リアルタイムシミュレータである。 我々は、視点外挿や360度車両レンダリングを含む閉ループシナリオにおける新しいビュー合成の課題に取り組む。 HUGSIMは、KITTI-360、nuScenes、PandaSetから70以上のシーケンスにまたがる包括的なベンチマークと400以上のさまざまなシナリオを提供する。
  論文  参考訳（メタデータ） (2024-12-02T17:07:59Z)
• CARLA2Real: a tool for reducing the sim2real appearance gap in CARLA simulator [2.478819644330144]
  我々は、シミュレーションデータのフォトリアリズムを高めるために最先端のアプローチを採用し、それらを実世界のデータセットの視覚的特徴と整合させる。 そこで我々はCARLA2Realを開発した。CARLA2Realは、広く使われているオープンソースのCARLAシミュレーターである。 このツールは、CARLAをほぼリアルタイムで出力し、13FPSのフレームレートを実現し、実世界のデータセットの視覚的スタイルとリアリズムに変換する。
  論文  参考訳（メタデータ） (2024-10-23T19:33:30Z)
• Deep Reinforcement Learning for Adverse Garage Scenario Generation [5.482809279542029]
  本論文では,自律運転シミュレーションテストのための自動プログラム生成フレームワークを提案する。 深層強化学習に基づいて、3Dモデルファイルとマップモデルファイルが構築される異なる2Dグラウンドスクリプトコードを生成することができる。 生成された3DグラウンドシーンはCarlaシミュレータに表示され、実験者はこのシーンをナビゲーションアルゴリズムのシミュレーションテストに使用することができる。
  論文  参考訳（メタデータ） (2024-07-01T14:41:18Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。 トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
  センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。 UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。 動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
  論文  参考訳（メタデータ） (2023-08-03T17:56:06Z)
• Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
  我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。 これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。 これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
  論文  参考訳（メタデータ） (2022-10-25T17:50:36Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• 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。