論文の概要: SV2V-RSim: A Comprehensive Benchmark for Self-Selective V2V Cooperative Perception with Near-Realistic Data

• arxiv url: http://arxiv.org/abs/2609.32863v1
• Date: Sat, 26 Sep 2026 18:47:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:30:37.58457
• Title: SV2V-RSim: A Comprehensive Benchmark for Self-Selective V2V Cooperative Perception with Near-Realistic Data
• Title（参考訳）: SV2V-RSim: 近相対データを用いた自己選択型V2V協調知覚のための総合的ベンチマーク
• Abstract要約: 車両間協調認識(V2V)は、車両が視線を越えて情報を共有できるようにすることで、自動運転を強化する。 既存のV2Vデータセットは、少数の参加エージェント、静的コラボレータ選択戦略、シミュレーション環境と実環境の間の大きな領域ギャップによって制限されている。 エージェントの多様性とリアリズムを高めるために設計された,大規模でマルチモーダルな,ほぼ現実的なシミュレーションデータセットであるSV2V-RSimを紹介する。
• 参考スコア（独自算出の注目度）: 24.498369263506124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle-to-Vehicle (V2V) cooperative perception enhances autonomous driving by enabling vehicles to share information beyond their direct line of sight. However, existing V2V datasets are limited by a small number of participating agents, static collaborator selection strategies, and a significant domain gap between simulated and real-world environments. To overcome these challenges, we introduce SV2V-RSim, a large-scale, multi-modal, near-realistic simulation dataset engineered to elevate agent diversity and realism. Additionally, we present the Select Vehicles Adaptively (SVA) module, which optimizes collaborator selection to balance perception performance against communication bandwidth constraints. Our dataset is generated using the Unreal Engine 5-based simulator that integrates high-fidelity 3D assets, diverse environments, and intricate traffic scenarios. All vehicles within a specified range of the ego vehicle are equipped with sensor suites, enabling dynamic and adaptive collaborator selection. SV2V-RSim encompasses four maps, four weather conditions, six time periods from sunrise to night, 203K LiDAR frames, 402K RGB frames, and 788K annotated 3D bounding boxes across 17 object classes, supporting a range of cooperative perception tasks such as 3D object detection, segmentation, and depth estimation. Benchmarking on recent cooperative perception algorithms demonstrates that SVA achieves a superior performance-bandwidth trade-off, while sim-to-real experiments and No-Reference Image Quality Assessment validate the dataset's high realism and practical effectiveness. Our dataset and code will be publicly available.
• Abstract（参考訳）: 車両間協調認識(V2V)は、車両が視線を越えて情報を共有できるようにすることで、自動運転を強化する。 しかし、既存のV2Vデータセットは、少数の参加エージェント、静的コラボレータ選択戦略、シミュレーション環境と実環境の間の大きな領域ギャップによって制限されている。 これらの課題を克服するために,エージェントの多様性とリアリズムを高めるために設計された,大規模でマルチモーダルな,ほぼ現実的なシミュレーションデータセットであるSV2V-RSimを導入する。 さらに,Select Vehicles Adaptively (SVA) モジュールを提案する。これは協調作業の選択を最適化し,通信帯域制約に対する知覚性能のバランスをとる。 このデータセットは,高忠実度3Dアセット,多様な環境,複雑な交通シナリオを統合したUnreal Engine 5ベースのシミュレータを用いて生成される。 エゴ車両の指定された範囲内の全ての車両はセンサー・スイートを備えており、動的かつ適応的なコラボレータの選択を可能にしている。 SV2V-RSimには4つの地図、4つの気象条件、6つの時間、日の出から夜までの6つの時間、203KのLiDARフレーム、402KのRGBフレーム、788Kの注釈付き3D境界ボックスがあり、3Dオブジェクトの検出、セグメンテーション、深さ推定といった様々な協調的な認識タスクをサポートしている。 最近の協調認識アルゴリズムのベンチマークでは、SVAは優れた性能帯域幅トレードオフを達成する一方、sim-to-real実験とNo-Reference Image Quality Assessmentはデータセットの高現実性と実用性を評価する。 データセットとコードは公開されます。

関連論文リスト

• SimBEV2X: A Large-Scale Dataset and Data Generation Tool for Multi-Task Vehicle-to-Everything Cooperative Perception [82.16905244601558]
  車両間通信(V2X)は、個々の自動運転車固有の物理的制限を克服することができる。 堅牢なV2Xアルゴリズムの開発は、大規模でマルチモーダルなマルチタスクデータセットの欠如によって妨げられている。 我々は,CARLAシミュレータ上に構築された高度な合成データ生成ツールであるSimBEV2Xを紹介する。
  論文  参考訳（メタデータ） (2026-07-27T00:55:44Z)
• V2U4Real: A Real-world Large-scale Dataset for Vehicle-to-UAV Cooperative Perception [30.364863070552303]
  V2U4Realは、V2U(Var-to-UAV)協調物体知覚のための、世界初の大規模実世界のマルチモーダルデータセットである。 このデータセットは、様々な交通シナリオの下で都市通り、大学キャンパス、農村道路をカバーしている。 幅広い研究課題を支援するため,単エージェント3Dオブジェクト検出,協調3Dオブジェクト検出,オブジェクト追跡のためのベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-03-26T10:13:00Z)
• CATS-V2V: A Real-World Vehicle-to-Vehicle Cooperative Perception Dataset with Complex Adverse Traffic Scenarios [25.181569981722976]
  本稿では,複雑な交通シナリオ下でのV2V協調認識のための,最初の実世界のデータセットであるCATS-V2Vを紹介する。 100クリップのデータセットには、10HzのLiDAR点雲の60Kフレームと、1.26Mのマルチビュー30Hzカメライメージが含まれている。 そこで本研究では,すべての物体が全センサモードで正確に整列されていることを保証し,目標に基づく時間アライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-11-14T11:07:04Z)
• AGC-Drive: A Large-Scale Dataset for Real-World Aerial-Ground Collaboration in Driving Scenarios [68.84774511206797]
  AGC-DriveはAerial-Ground Cooperativeの3D知覚のための最初の大規模実世界のデータセットである。 AGC-Driveには350のシーンがあり、それぞれ約100のフレームと13のオブジェクトカテゴリをカバーする完全な注釈付き3Dバウンディングボックスがある。 車両間協調認識と車両間協調認識の2つの3次元タスクのベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-06-19T14:48:43Z)
• RoboSense: Large-scale Dataset and Benchmark for Egocentric Robot Perception and Navigation in Crowded and Unstructured Environments [62.5830455357187]
  我々は3種類のセンサー(Camera, LiDAR, Fisheye)をベースとした自我中心型マルチセンサデータ収集プラットフォームを構築した。 大規模なマルチモーダルデータセットであるRoboSenseは、エゴセントリックなロボット知覚を促進するために構築されている。
  論文  参考訳（メタデータ） (2024-08-28T03:17:40Z)
• V2V4Real: A Real-world Large-scale Dataset for Vehicle-to-Vehicle Cooperative Perception [49.7212681947463]
  車両から車両への協調認識システム(V2V)は、自動運転産業に革命をもたらす大きな可能性を秘めている。 V2V4Realは、V2V知覚のための世界初の大規模実世界のマルチモーダルデータセットである。 我々のデータセットは、20KのLiDARフレーム、40KのRGBフレーム、240Kの注釈付き5クラスの3Dバウンディングボックス、HDMapからなる410kmの走行領域をカバーしている。
  論文  参考訳（メタデータ） (2023-03-14T02:49:20Z)
• DOLPHINS: Dataset for Collaborative Perception enabled Harmonious and Interconnected Self-driving [19.66714697653504]
  V2Xネットワークは、自動運転における協調的な認識を可能にしている。 データセットの欠如は、協調認識アルゴリズムの開発を著しく妨げている。 DOLPHINS: cOllaborative Perception を実現するためのデータセットである Harmonious と Inter connected Self-driving をリリースする。
  論文  参考訳（メタデータ） (2022-07-15T17:07:07Z)
• V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
  我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。 我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-20T20:18:25Z)

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。