論文の概要: DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing
- arxiv url: http://arxiv.org/abs/2608.01761v1
- Date: Mon, 03 Aug 2026 06:32:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.351408
- Title: DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing
- Title（参考訳）: DecoupleGS: エンドツーエンドの自動運転テストのためのインタラクティブな3Dガウススプレイティング
- Abstract要約: エンドツーエンド(E2E)自律運転アルゴリズムは、シミュレーション環境で厳密な閉ループ検証を必要とする。
ゲームエンジンから静的なニューラルレンダリングに至るまで、既存のアプローチは本質的にこれらの要件をトレードオフする。
大規模E2E評価に適した3次元ガウススティング(3DGS)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 37.82194951319459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end (E2E) autonomous driving algorithms require rigorous closed-loop validation in simulation environments offering high visual fidelity, strong interactivity, and real-time performance. Existing approaches, from game engines to static neural rendering, inherently trade off these requirements and struggle with the dynamic scene composition essential for E2E testing. To bridge this gap, we propose a novel decoupled 3D Gaussian Splatting (3DGS) framework tailored for large-scale E2E evaluation. We fundamentally decompose scenes into a high-fidelity static background and manipulable dynamic agents using an object-centric canonical representation. To resolve resulting representational conflicts, we introduce three targeted modules: (1) asset compression via perceptual pruning and vector quantization for real-time traffic rendering; (2) map-guided geometric registration leveraging semantic topology to strictly align trajectories; and (3) proxy-based relighting transferring ambient illumination for seamless photometric integration. Extensive experiments demonstrate that DecoupleGS achieves a balanced fidelity-efficiency trade-off, improves metric and photometric consistency, and provides a practical closed-loop sensor simulation platform for E2E autonomous driving evaluation.
- Abstract（参考訳）: E2E(End-to-end)自律運転アルゴリズムは、高い視覚的忠実度、強い対話性、リアルタイムパフォーマンスを提供するシミュレーション環境において、厳密なクローズループ検証を必要とする。
ゲームエンジンから静的なニューラルレンダリングまで、既存のアプローチは、これらの要件を本質的に取り除き、E2Eテストに不可欠な動的なシーン構成と戦っている。
このギャップを埋めるために,大規模なE2E評価に適した3次元ガウススティング(3DGS)フレームワークを提案する。
我々は基本的にシーンを、オブジェクト中心の標準表現を用いて、高忠実な静的背景と操作可能な動的エージェントに分解する。
その結果,(1)リアルタイムなトラフィックレンダリングのための知覚的プルーニングとベクトル量子化によるアセット圧縮,(2)意味的トポロジを利用した意味的トポロジを利用したマップ誘導幾何登録,(3)シームレスな測光統合のためのプロキシベースのリライト転送環境照明の3つの目的モジュールが導入された。
広汎な実験により、DecoupleGSはバランスの取れた忠実性と効率のトレードオフを実現し、計量と測光の整合性を改善し、E2E自動運転評価のための実用的なクローズドループセンサシミュレーションプラットフォームを提供する。
関連論文リスト
- Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。
SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
論文 参考訳（メタデータ） (2026-04-20T16:20:57Z) - Part-Level 3D Gaussian Vehicle Generation with Joint and Hinge Axis Estimation [19.45064081855758]
シミュレーションは自動運転に不可欠であるが、現在のフレームワークは、しばしば車両を剛性資産としてモデル化し、部分レベルの調音を捉えるのに失敗する。
本稿では,単一画像やスパース多視点入力からアニマタブルな3次元ガウス車両を合成する生成フレームワークを提案する。
提案手法は2つの課題に対処する: (i) 大きな3Dアセットジェネレータは静的な品質に最適化されているが, 調音には最適化されていない; (ii) セグメンテーションだけでは運動に必要な運動パラメータは提供できない。
論文 参考訳（メタデータ） (2026-04-06T18:16:12Z) - ReconDrive: Fast Feed-Forward 4D Gaussian Splatting for Autonomous Driving Scene Reconstruction [32.767300244488645]
ReconDriveはフィードフォワードフレームワークで、3DファウンデーションモデルであるVGGTを利用して高速で高忠実な4DGSを生成する。
nuScenesをベンチマークし、ReconDriveは既存のフィードフォワードベースライン、新しいビュー合成、そして3D知覚を著しく上回っている。
論文 参考訳（メタデータ） (2026-03-08T09:31:15Z) - Unified Sensor Simulation for Autonomous Driving [7.935201483073418]
XSIMは3DGUTスプラッティングを拡張し、自律運転用に最適化されたローリングシャッターモデリングを行う。
我々のフレームワークは、外観と幾何学的センサーモデリングのための統一的で柔軟な定式化を提供する。
我々は、複数の自律走行データセットに基づいて、我々のフレームワークを広範囲に評価する。
論文 参考訳（メタデータ） (2026-02-05T12:52:46Z) - Hi^2-GSLoc: Dual-Hierarchical Gaussian-Specific Visual Relocalization for Remote Sensing [6.997091164331322]
リモートセンシングやUAVアプリケーションには、視覚的再ローカライゼーションが不可欠である。
画像に基づく検索とポーズ回帰アプローチは精度に欠ける。
スパース・トゥ・デンス(sparse-to-dense)と粗粒度(arse-to-fine)のパラダイムに従う二重階層的再ローカライゼーションフレームワークである$mathrmHi2$-GSLocを紹介した。
論文 参考訳（メタデータ） (2025-07-21T14:47:56Z) - Industrial-Grade Sensor Simulation via Gaussian Splatting: A Modular Framework for Scalable Editing and Full-Stack Validation [43.89295427855191]
センサシミュレーションは、自律運転システムのスケーラブルな検証に重要である。
既存のNeural Radiance Fields (NeRF)ベースの手法は、産業における適用性と効率性の課題に直面している。
本稿では,これらの課題に対処するため,ガウススプラッティング(GS)に基づくシステムを提案する。
論文 参考訳（メタデータ） (2025-03-14T10:10:22Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。
提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
論文 参考訳（メタデータ） (2025-02-07T16:07:51Z) - 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) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via
Self-Supervision [85.17951804790515]
EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。
シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。
本手法はセンサシミュレーションにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2023-11-03T17:59:55Z)
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。