論文の概要: RoboRacer Arena: Scaling High-Fidelity Autonomous Racing in Isaac Sim
- arxiv url: http://arxiv.org/abs/2608.23040v1
- Date: Mon, 24 Aug 2026 09:44:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.015828
- Title: RoboRacer Arena: Scaling High-Fidelity Autonomous Racing in Isaac Sim
- Title（参考訳）: RoboRacer Arena: アイザック・シムのハイフィデリティ・オートマチック・レーシングを拡大
- Abstract要約: RoboRacerは、1:10スケールの自動運転車を使った研究のための標準化されたプラットフォームを提供する。
既存の占有グリッドシミュレーターは、新しい地図を素早く追加できるが、物理的な接触を含まない。
我々は,占領地図から直接3Dレース環境を作成するシステムであるRoboRacer Arenaを開発した。
- 参考スコア（独自算出の注目度）: 0.7144215606325006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: RoboRacer offers a standardized platform for research using 1:10-scale autonomous vehicles, but the variety of available tracks hinders the process of acquiring policies. Although existing occupancy-grid simulators allow for the quick addition of new maps, they fail to include physical contact, while 3D simulators require each circuit to be implemented as a separate asset, thus limiting their scalability. In order to overcome this issue, we have developed RoboRacer Arena, a system that creates 3D racing environments directly from occupancy maps. Our method starts by using a flood fill algorithm to extract the drivable corridors and to identify the track boundaries, which are then used to establish the barriers. A distance field is calculated to define the collision boundaries. The track surfaces, collision properties, and materials are assembled into a USD stage, which allows for the automated and reproducible generation of the environment in Isaac Sim. The input maps can be obtained from SLAM sessions, from rescaled Formula 1 circuits, or from natural-language descriptions. When the input is based on natural language, we use Gemma 4 31B to generate a track specification without specifying any coordinates or geometry. To guarantee consistency and reproducibility, we apply geometric screening, procedural generation, and raster-level validation. The simulation environments are initialized in a time range of 1.18 to 2.48 seconds, with the initialization time increasing linearly as the raster size increases. In 30 matched trials involving 10 tracks and 3 seeds, 21 maps were generated and all passed validation. RoboRacer Arena currently contains 130 tracks and supports the generation of tracks from natural language. In benchmark tests, the system attains 8,707 vehicle-steps per second when using 256 parallel rigid-body vehicles, excluding the time taken for rendering and policy execution.
- Abstract（参考訳）: RoboRacerは、1:10スケールの自動運転車を使った研究のための標準化されたプラットフォームを提供しているが、利用可能なさまざまなトラックはポリシーの取得を妨げている。
既存の占有グリッドシミュレーターは、新しい地図を素早く追加できるが、物理的な接触を含めることはできず、3Dシミュレーターはそれぞれの回路を独立したアセットとして実装する必要があるため、スケーラビリティが制限される。
この問題を克服するために,占領地図から直接3Dレース環境を作成するシステムであるRoboRacer Arenaを開発した。
提案手法は, ドライビング可能な回廊を抽出し, 路面境界を同定するために, フラッドフィリングアルゴリズムを用いて開始する。
距離場を算出し、衝突境界を定義する。
軌道面、衝突特性、材料はUSDステージに組み立てられ、アイザック・シムの環境を自動化して再現することができる。
入力マップはSLAMセッション、再スケールされたF1回路、あるいは自然言語記述から得ることができる。
入力が自然言語に基づいている場合、Gemma 4 31Bを使用して座標や幾何学を指定せずにトラック仕様を生成する。
整合性と再現性を確保するため,幾何スクリーニング,手続き生成,ラスタレベルの検証を行う。
シミュレーション環境は1.18秒から2.48秒の時間帯で初期化され、初期化時間はラスターサイズが大きくなるにつれて線形に増加する。
10のトラックと3のシードを含む30のマッチング試験では、21のマップが生成され、すべて検証に合格した。
RoboRacer Arenaは現在130のトラックがあり、自然言語からのトラックの生成をサポートしている。
ベンチマークテストでは、レンダリングとポリシー実行に要する時間を除いて、256台の平行剛体車を使用する場合、毎秒8,707台の車両ステップが達成された。
関連論文リスト
- RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation [12.234827494362145]
我々は,多種多様な大規模HDマップを作成するためのフレームワークであるRoadWeaverを紹介する。
RoadWeaverはまず、グローバルな道路レイアウトを合成し、それを接続された道路ネットワークに拡張し、一貫したレーン接続でレーンレベルの幾何学を構築する。
その結果、RoadWeaverは99.8%の到達率、10.7%のデッドエンド比、エンドポイントのアライメント誤差0.24mを達成した。
論文 参考訳（メタデータ） (2026-08-12T02:39:14Z) - TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale [18.077282979391423]
TerraZeroはプロシージャ駆動シミュレータとセルフプレイトレーニングスタックである。
CエンジンはCPU上でシミュレーションを実行し、GPU上でゼロコピーパス上でポリシー推論を行う。
報告されたすべてのポリシーは、計算効率のよいセルフプレイレシピだけで強化学習によってゼロから訓練される。
論文 参考訳（メタデータ） (2026-07-14T17:59:02Z) - Dash2Sim: Closed-Loop Driving Simulation from in-the-wild Dashcam Videos [51.46430520173442]
Dash2Simは、既存のシミュレーターと互換性のある、測度の高い4Dドライビングログに変換するフレームワークだ。
そこで,Dash2Simにより回収された深度は,知覚測定値において19%の新規ビュー合成品質を向上することを示した。
論文 参考訳（メタデータ） (2026-06-05T15:09:27Z) - Safe Aerial 3D Path Planning for Autonomous UAVs using Magnetic Potential Fields [4.894362825271711]
MaxConvNetは、ローカルのミニマを使わずにゴールへのパスを生成する潜在的フィールドプランナーである。
我々は、2D MaxConvNet磁場プランナを3Dに拡張し、畳み込みオートエンコーダを用いて障害物認識電位場を予測する。
論文 参考訳（メタデータ） (2026-05-11T17:28:26Z) - SceneFactory: GPU-Accelerated Multi-Agent Driving Simulation with Physics-Based Vehicle Dynamics [8.411603210370858]
SceneFactoryは、自動運転環境での手続き的なシーン構築、物理ベースのマルチエージェントシミュレーション、RLのためのGPUベクター化されたプラットフォームである。
SceneFactoryはOpen Motionのロードトポロジをシミュレーション可能なUSDの世界に変換し、1つのGPU上で複数の世界を同時に実行し、それぞれに複数の関節化したPhysX車両を投入し、降水と路面型をPhysX材料の摩擦係数にマップする。
論文 参考訳（メタデータ） (2026-05-08T22:23:11Z) - ParkingTwin: Training-Free Streaming 3D Reconstruction for Parking-Lot Digital Twins [8.681741531117366]
ParkingTwinは、オンラインストリーミング3D再構築のためのトレーニング不要で軽量なシステムである。
エントリーレベルのGTX 1660では30FPS以上で動作する。
論文 参考訳（メタデータ） (2026-01-20T08:03:58Z) - Seed3D 1.0: From Images to High-Fidelity Simulation-Ready 3D Assets [63.67760219308476]
シミュレーション可能な3Dアセットを単一画像から生成する基礎モデルであるSeed3D 1.0を提案する。
既存の3D生成モデルとは異なり、我々のシステムは正確な幾何学、よく整合したテクスチャ、リアルな物理的基盤を持つ資産を生産する。
論文 参考訳（メタデータ） (2025-10-22T18:16:32Z) - The 9th AI City Challenge [64.32227009699942]
第9回AIシティチャレンジは、輸送、産業自動化、公共安全におけるコンピュータビジョンとAIの現実的な応用を推し進めている。
2025年版では4トラックが収録され、17%が参加し、評価サーバに登録された15カ国から245チームが参加した。
チャレンジデータセットのパブリックリリースにより、これまでに3万回以上ダウンロードされた。
論文 参考訳（メタデータ） (2025-08-19T06:55:06Z) - 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) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。