論文の概要: RECAST: From Log Replay to Closed-Loop Driving Simulation with View-Complete Actors

• arxiv url: http://arxiv.org/abs/2609.31374v1
• Date: Fri, 25 Sep 2026 15:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.451084
• Title: RECAST: From Log Replay to Closed-Loop Driving Simulation with View-Complete Actors
• Title（参考訳）: RECAST:ビューコンプリートアクターによるログリプレイからクローズドループ運転シミュレーション
• Abstract要約: 閉ループ運転シミュレーションでは、エゴ車と周囲のアクターが記録された軌道を越えて移動するため、観測結果の信頼性を維持する必要がある。 既存のデータ駆動シミュレータは、ダイナミックアクターをスパース観測から再構築する。 本稿では,運転ログ内の単一セグメントの車両観測からビューコンプリート・アクターを生成し,再生シーンに生成したアクターを登録する3Dガウス・スプレイティング・フレームワークRECASTを紹介する。
• 参考スコア（独自算出の注目度）: 7.516312712207714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Closed-loop driving simulation requires rendered observations to remain reliable as the ego vehicle and surrounding actors move beyond their recorded trajectories, exposing views absent from the source log. Existing data-driven simulators reconstruct dynamic actors from sparse observations, which can result in rendering artifacts under these viewpoint changes. We introduce RECAST (REconstructing Controllable Actors for Simulation and Testing), a 3D Gaussian Splatting framework that generates a view-complete actor from a single segmented vehicle observation in a driving log and registers the generated actor in the reconstructed scene. RECAST supports planner-in-the-loop rendering under controlled ego-actor interactions. To adapt an image-to-3D prior to real vehicles, we further introduce RECAR, a dataset of approximately 20K real vehicles with 600K background-free RGBA images spanning diverse vehicle colors and types. We use two-stage adaptation to improve vehicle generation from real driving-log observations. At the actor level, RECAST reduces $\mathrm{FD}_{\mathrm{incep}}$ from 9.788 to 7.992 relative to unadapted TRELLIS. At the scene level, under actor motion beyond logged trajectories, RECAST reduces $\mathrm{FD}_{\mathrm{incep}}$ from 129.35 to 112.10 and increases $\mathrm{CLIP}_{\mathrm{margin}}$ ($\times1000$) from 0.14 to 3.47 relative to Street Gaussians. We demonstrate planner-in-the-loop simulation with the image-conditioned planner GTRS-Dense. Compared with native Street Gaussians actors, RECAST increases the no-collision (NC) rate from 22.2% (12/54) to 63.0% (34/54) and the mean minimum predicted time-to-collision (TTC) from 0.798 s to 2.150 s. These experiments show that RECAST supports closed-loop planner evaluation under controlled ego-actor interactions beyond log replay. Visit our project page at https://zijunkr.github.io/RECAST/
• Abstract（参考訳）: 閉ループ運転シミュレーションでは、エゴ車と周囲のアクターが記録された軌跡を越えて移動し、ソースログから見えないビューを明らかにするため、レンダリングされた観察が信頼性を保つ必要がある。 既存のデータ駆動シミュレータは、ダイナミックアクターをスパース観測から再構築する。 ReCAST(Reconstructing Controllable Actors for Simulation and Testing, シミュレーションとテストのための制御可能なアクターの再構成)は,運転ログ内の単一セグメントの車両観察からビュー完全アクターを生成し,生成したアクターを再構成シーンに登録する3Dガウス・スプレイティングフレームワークである。 RECASTは、制御されたエゴ・アクター相互作用下でのループレンダリングをサポートする。 実車に先立って画像から3Dに適応するために、さまざまな車両の色や種類にまたがる600Kの背景のないRGBA画像を持つ約20万台の実車のデータセットであるRECARを導入する。 実走行ログ観測から車両生成を改善するために2段階適応を用いる。 アクターレベルでは、RECASTは未適応TRELLISと比較して$\mathrm{FD}_{\mathrm{incep}}$を9.788から7.992に下げる。 シーンレベルでは、ログ化された軌跡を超えたアクターの動きの下で、RECASTは、$\mathrm{FD}_{\mathrm{incep}}$を129.35から112.10に減らし、$\mathrm{CLIP}_{\mathrm{margin}}$を0.14から3.47に減らした。 画像条件付きプランナーGTRS-Denseによるループシミュレーションを実演する。 ストリート・ガウシアンの俳優と比較して、RECASTは非衝突率(NC)を22.2% (12/54) から63.0% (34/54) に、予測最小時間(TTC)を0.798秒から2.150秒に引き上げている。 これらの実験により、RECASTはログ再生以外のエゴ・アクター相互作用の制御の下でクローズドループプランナ評価をサポートすることが示された。 プロジェクトページはhttps://zijunkr.github.io/RECAST/にある。

関連論文リスト

• Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation [63.04937864192328]
  Instant NuRecはフィードフォワード型ニューラルリコンストラクションモデルで、短いマルチビュー駆動ログを1つの前方パスで3次元の世界に変換する。 このモデルはカメラリグからのマルチビュー入力を受け取り、静的および動的3DGS層、スカイキューブマップ、およびカメラごとのISP補正からなる層出力を出力する。 約1.5秒で10-20秒のマルチカメラシーンを再構成し、最も評価の高いベースラインより2.01dBのPSNRを達成する。
  論文  参考訳（メタデータ） (2026-07-15T17:50:23Z)
• 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)
• FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos [134.8812117202239]
  本稿では,エゴセントリックなRGB-Dインタラクションビデオから直接室内シーンの3次元ディジタル双対を再構成するFunRecを提案する。 本研究では,URDF/USDエクスポートのシミュレーション,手指のアベイランスマッピング,ロボットとシーンのインタラクションへの応用を実演する。
  論文  参考訳（メタデータ） (2026-04-07T09:22:12Z)
• 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)
• SplatAD: Real-Time Lidar and Camera Rendering with 3D Gaussian Splatting for Autonomous Driving [6.221538885604869]
  カメラとライダーデータのセンサリアリスティックレンダリングのための既存のニューラル放射場(NeRF)法は、低レンダリング速度に悩まされている。 SplatADは,カメラとライダーデータの両方の動的シーンをリアルかつリアルタイムにレンダリングするための,最初の3DGSベースの手法である。
  論文  参考訳（メタデータ） (2024-11-25T16:18:22Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• 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)
• Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
  本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。 再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。 シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2020-11-16T17:16:32Z)

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。