Fugu-MT 論文翻訳(概要): Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation

論文の概要: Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation

arxiv url: http://arxiv.org/abs/2607.06516v1
Date: Tue, 07 Jul 2026 17:20:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 21:24:51.607097
Title: Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation
Title（参考訳）: Point as Skeleton: クローズドループ自律運転シミュレーションのための蓄積ポイントクラウド強化自己回帰生成
Abstract要約: 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。
参考スコア（独自算出の注目度）: 58.86413499077093
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Evaluating end-to-end autonomous driving (E2E-AD) remains challenging, as existing driving simulation methods often trade off closed-loop interactivity (e.g., CARLA) and real-world visual fidelity (e.g., nuScenes). We present \textbf{\emph{Point as Skeleton}}, a generative sensor simulation framework for state-updated autoregressive driving video generation, in which an autoregressive generator synthesizes visual observations from step-wise updated ego states, actor states, scene maps, and point-cloud skeleton conditions. To support closed-loop rollout, we introduce Reset-and-Roll, which adapts rolling diffusion inference to simulation by preventing future-conditioned latent states from being committed across simulation steps. To stabilize error accumulation during step-wise autoregressive rollout, we introduce point-cloud skeletons that decouple foreground and background assets and project them into camera-view painted-point and template-depth conditions, providing appearance and geometric cues. We further implement a nuPlan-based renderer-level closed-loop generative interface for evaluating generation under ego deviations from the original log. Experiments on nuScenes and nuPlan show that \textit{Point as Skeleton} improves autoregressive generation quality during closed-loop rollout, demonstrating its potential for visually faithful closed-loop driving simulation. The code is available at https://github.com/krauwu/point-as-skeleton.
Abstract（参考訳）: 既存の運転シミュレーション手法では、クローズドループの相互作用性(例えば、CARLA)と現実世界の視覚的忠実性(例えば、nuScenes)をトレードオフすることが多いため、エンドツーエンド自動運転(E2E-AD)の評価は依然として難しい。自動回帰生成装置は段階的に更新されたエゴ状態、俳優の状態、シーンマップ、ポイントクラウドの骨格状態から視覚的観察を合成する。閉ループロールアウトをサポートするために,将来の条件付き潜伏状態がシミュレーションステップを越えてコミットされることを防止し,ローリング拡散推論をシミュレーションに適応させるReset-and-Rollを導入する。ステップワイズ自動回帰ロールアウト時の誤差蓄積を安定化するために,前景と背景資産を分離した点雲スケルトンを導入し,それらをカメラビューのペイントポイントとテンプレート深度条件に投影し,外観と幾何学的手がかりを提供する。さらに、元のログからのエゴ偏差による生成を評価するために、nuPlanベースのレンダラーレベルのクローズドループ生成インタフェースを実装した。 nuScenes と nuPlan の実験により, クローズドループロールアウト時の自己回帰生成の質が向上し, 視覚的に忠実なクローズドループ駆動シミュレーションの可能性を示した。コードはhttps://github.com/krauwu/point-as-skeleton.comで公開されている。

関連論文リスト

CARLA-GS: Decoupling Representation, Reasoning, and Physics Simulation for Autonomous Driving Corner-Case Synthesis [3.0621944624163695]
コーナーケース生成は本質的に、視覚表現、シーン推論、車両軌道生成と制御にまたがる多ケース問題である。これらの側面をひとつのフレームワークに統合するために,モジュラーコーナーケース合成パイプラインであるCARLA-GSを提案する。この設計により、統合パイプライン内での高レベルセマンティック推論、低レベル物理実行可能運動、コーナーケース生成が可能となる。
論文参考訳（メタデータ） (2026-07-08T16:20:19Z)
Cam2Sim: Neural Scenario Reconstruction for Closed-Loop Autonomous Driving Simulation [0.9114245816258512]
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。
論文参考訳（メタデータ） (2026-07-06T08:03:31Z)
CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。 CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文参考訳（メタデータ） (2026-06-13T15:04:44Z)
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)
Long-term Traffic Simulation with Interleaved Autoregressive Motion and Scenario Generation [26.98977914185036]
理想的なトラフィックシミュレータは、デプロイ中に自動運転システムが経験する現実的な長期的ポイントツーポイントトリップを再現する。 InfGenは、インターリーブドクローズドループモーションシミュレーションとシーン生成を行う統合型次世代予測モデルである。 InfGenは短期(9秒)のトラフィックシミュレーションにおいて最先端で動作し、長期(30秒)のシミュレーションでは他のすべての手法よりも大幅に優れています。
論文参考訳（メタデータ） (2025-06-20T17:59:21Z)
Pseudo-Simulation for Autonomous Driving [66.1981253104508]
既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
論文参考訳（メタデータ） (2025-06-04T17:57:53Z)
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)

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。