論文の概要: OmniSCS: Omni Safety-Critical Scenario Synthesis for Autonomous Driving via a Fully Editable Driving World
- arxiv url: http://arxiv.org/abs/2607.09764v1
- Date: Tue, 07 Jul 2026 04:24:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.184192
- Title: OmniSCS: Omni Safety-Critical Scenario Synthesis for Autonomous Driving via a Fully Editable Driving World
- Title（参考訳）: OmniSCS:Omni Safety-Critical Scenario Synthesis for autonomous Driving through a full Editable Driving World
- Abstract要約: OmniSCSは、クローズドループテストを実現しつつ、高い物理的忠実度を持つ安全クリティカルシナリオを生成するシステムである。
nuScenes、KITTIデータセットの実験では、OmniSCSは編集されたシーンの忠実さにおいて最先端の手法よりも優れていた。
全体として、OmniSCSは、自律運転におけるSCS最適化とテストのための、より安全で、より効果的で、コスト効率のよいソリューションを提供する。
- 参考スコア（独自算出の注目度）: 15.58619728937331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The synthesis of safety-critical scenarios (SCS) and their evaluation through closed-loop simulations are crucial for developing robust autonomous driving systems. A key aspect of this process involves editing agent states in both appearance and trajectory levels within existing scenes. However, current methods struggle to preserve data fidelity after scene editing and fail to efficiently generate high-quality SCS through such modifications. To overcome these limitations, we propose OmniSCS, an innovative system that generates photorealistic SCS with high physical fidelity while enabling closed-loop testing in synthetic environments. OmniSCS comprises two key modules: 1) A Fully Editable Driving World Construction module that maintains high-fidelity agent appearance and background during scene editing via dual-strategy agent reconstruction and depth-refinement background reconstruction methods. 2) A SCS Synthesis module that facilitates object insertion and agent trajectory editing to synthesize diverse SCS while preserving data fidelity. Experiments on nuScenes, Waymo, and KITTI datasets show that OmniSCS outperforms state-of-the-art methods in edited scene fidelity. We further validate its ability to enhance autonomous driving algorithms and support real-time (13Hz) closed-loop testing. Overall, OmniSCS provides a safer, more effective, and cost-efficient solution for SCS optimization and testing in autonomous driving.
- Abstract（参考訳）: 安全クリティカルシナリオ(SCS)の合成と閉ループシミュレーションによる評価は、堅牢な自律運転システムの開発に不可欠である。
このプロセスの重要な側面は、既存のシーンにおける外観と軌道レベルのエージェント状態の編集である。
しかし、現在の手法ではシーン編集後のデータの忠実性を維持するのに苦労し、このような修正によって高品質なSCSを効率よく生成できない。
これらの制約を克服するために,合成環境における閉ループ試験を可能にしつつ,高物理忠実度で光実写SCSを生成する革新的なシステムであるOmniSCSを提案する。
OmniSCSは2つの主要なモジュールから構成される。
1)デュアルストラテジーエージェント再構築と深度補正バックグラウンド再構築によるシーン編集において,高忠実度エージェントの外観と背景を維持できる完全編集可能な運転世界構築モジュール。
2)データ忠実性を保ちながら多種多様なSCSを合成するためのオブジェクト挿入およびエージェント軌跡編集を容易にするSCS合成モジュール。
nuScenes、Waymo、KITTIデータセットの実験では、OmniSCSは編集されたシーンの忠実さにおいて最先端の手法よりも優れていることが示されている。
さらに、自律運転アルゴリズムを強化し、リアルタイム(13Hz)クローズドループテストをサポートする能力についても検証する。
全体として、OmniSCSは、自律運転におけるSCS最適化とテストのための、より安全で、より効果的で、コスト効率のよいソリューションを提供する。
関連論文リスト
- Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration [50.18488308004802]
Sen-Capは、LiDARとカメラのマルチモーダルデータを統合した3Dモーションキャプチャフレームワークである。
Sen-CapはHuman-M3とFreeMotionの主要なメトリクスで最先端のパフォーマンスを達成する。
この柔軟性と堅牢性の組み合わせは、現実のシナリオにおけるモーションキャプチャの新しい機会を開放する。
論文 参考訳（メタデータ） (2026-08-03T14:16:18Z) - 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) - World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。
World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。
プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文 参考訳（メタデータ） (2026-06-18T06:28:33Z) - SHIELD: Scalable Optimal Control with Certification using Duality and Convexity [5.679384378922127]
ShiELD は階層的なアルゴリズムであり、凸プログラムにおける決定のマグニチュードと制約セットの両方を削減する。
複雑なマルチモーダル交通シナリオにおけるモデル予測制御(SMPC)における ShiELD の有効性を検証する。
論文 参考訳（メタデータ） (2026-05-09T21:15:28Z) - InterFuserDVS: Event-Enhanced Sensor Fusion for Safe RL-Based Decision Making [0.0]
イベントフレームの蓄積をInterFuserのトランスフォーマーベースのバックボーンに組み込む新しいトークンベースの融合戦略を導入する。
カーラーニング・トゥ・アクト (CARLA) におけるカーラーニング・トゥ・アクト (CARLA) ベンチマークに対する我々のアプローチを評価し、DVSを取り入れることで運転エージェントの堅牢性が向上することを示した。
論文 参考訳（メタデータ） (2026-05-05T23:24:45Z) - FineSteer: A Unified Framework for Fine-Grained Inference-Time Steering in Large Language Models [15.040862439283593]
FineSteerは、推論時のステアリングを2つの相補的なステージに分解する、新しいステアリングフレームワークである。
最初の段階では、不要なステアリングを回避してモデルユーティリティを保存するサブスペース誘導型コンディショナルステアリング(SCS)機構を導入する。
第2段階では、所望の操舵動作のマルチモーダルな性質を捉えるMixture-of-Steering-Experts (MoSE) 機構を提案する。
論文 参考訳（メタデータ） (2026-04-16T19:41:41Z) - 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) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - Can SSD-Mamba2 Unlock Reinforcement Learning for End-to-End Motion Control? [2.211616153144189]
本稿では、SSD-Mamba2上に構築された視覚駆動型クロスモーダルフレームワークについて述べる。
原始受容状態と外受容観測はコンパクトトークンに符号化され、積み重ねられたSSD-Mamba2層で融合される。
当社のアプローチは、リターン、安全性、サンプル効率において、最先端の強力なベースラインを一貫して超越しています。
論文 参考訳（メタデータ） (2025-09-09T11:05:44Z) - GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。
車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。
動作精度と空間認識の両面で既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2025-05-28T14:46:51Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z)
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。