論文の概要: TerrainForge: Physics-Grounded road geometry Editing for Counterfactual Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.02825v1
- Date: Fri, 02 Oct 2026 05:16:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 09:54:32.235454
- Title: TerrainForge: Physics-Grounded road geometry Editing for Counterfactual Autonomous Driving
- Title（参考訳）: TerrainForge: 物理を取り巻く道路幾何学の編集
- Abstract要約: 本報告では, 道路形状に着目した運転エピソードから, 道路形状に着目した反事実を生成するための枠組みを提案する。
統一された道路モデルでは、シーンの変形と4輪車の動力学を結びつけ、クレスト、サッグ、スピードハンプ、摩擦の変化を伝播させる。
15,758本の路面編集のエゴ応答を983回の制動エピソードでシミュレートし,各編集結果と未編集のリプレイに対する安全結果とのペアリングを行った。
- 参考スコア（独自算出の注目度）: 13.028956941395085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road geometry (e.g., crests, sags, and speed humps) and surface conditions (e.g., wet or icy pavement) affect how vehicles move, what drivers and onboard cameras observe, and how much clearance remains between vehicles. Editing these properties in a driving scene therefore requires corresponding changes in vehicle motion. Capturing these differences in a driving video requires a road edit to propagate to vehicle motion, camera viewpoint, and the clearance between vehicles. We present TerrainForge, a framework for generating road geometry-focused counterfactuals from reconstructed multi-vehicle driving episodes. A unified road model connects scene deformation with four-wheel vehicle dynamics, allowing crests, sags, speed humps, and friction changes to propagate through vehicle motion, camera viewpoint, and inter-vehicle clearance. Vehicle dynamics are evaluated against CarSim, and prescribed road geometry is verified in reconstructed Waymo scenes. Across 18 episodes, leaving surrounding vehicles on their recorded trajectories instead of recomputing their responses produces median peak differences in predicted ego-lead distance of 1.52 m for crests and 1.41 m for sags. We further simulate the ego response to 15,758 road edits across 983 braking episodes, pairing each edit with its safety outcomes relative to an unedited replay. These pairs train a first-stage screening surrogate that takes the original driving context and candidate road-edit parameters as input and predicts the resulting change in the ego's terminal gap. On held-out scenes, this prediction achieves 22-40% lower mean absolute error than predicting no change, so candidates can be screened cheaply before the full multi-vehicle rollout.
- Abstract（参考訳）: 道路形状(例えば、クレスト、サグ、スピードハンプ)と表面条件(例えば、濡れた舗装、氷の舗装)は、車両の移動方法、ドライバーと車載カメラの観測方法、車両間のクリアランスの程度に影響を及ぼす。
したがって、運転シーンでこれらのプロパティを編集するには、車両の動きの変化に対応する必要がある。
これらの違いをドライブビデオに収めるためには、車両の動き、カメラの視点、車両間のクリアランスを伝播する道路編集が必要である。
本稿では, 道路形状に着目した複数車両駆動エピソードから, 道路形状に着目した対物生成フレームワークTerrinForgeについて紹介する。
統一された道路モデルは、シーンの変形と4輪車動特性を結合し、クレスト、サッグ、スピードハンプ、摩擦の変化を車両の動き、カメラ視点、車間クリアランスを通じて伝播させる。
車両動力学はCarSimに対して評価され、所定の道路形状はWaymoの再建シーンで検証される。
18エピソードにわたって、周囲の車両は応答を再計算する代わりに記録された軌道に残され、予測エゴリード距離が1.52m、サグ1.41mと中央値の差が生じる。
さらに、983回のブレーキエピソードにまたがる15,758本の道路編集に対するエゴ応答をシミュレートし、各編集と、未編集の再生に対する安全結果とのペアリングを行う。
これらのペアは第1段階のスクリーニングサロゲートをトレーニングし、元の駆動コンテキストと候補のロードエジットパラメータを入力として、エゴの終端ギャップの変化を予測する。
ホールドアウトシーンでは、この予測は変更を予測しない平均絶対誤差を22～40%低くするので、完全なマルチサイクルロールアウトの前に候補を安価にスクリーニングすることができる。
関連論文リスト
- SceneFactory-3D: Lifting 2D Traffic Scenes into 3D Physical Counterfactuals for Scalable Physically Grounded Safety Evaluation [7.866882952372209]
SceneFactory-3Dは物理地上のマルチエージェント運転シミュレータである。
車両は各車輪接触点で評価されたサスペンションおよび摩擦制限力を介して加速および操舵コマンドを実行する。
世界の3Dハイツフィールド、重力、硬い接触は一貫して車輪の運動とシャシーの衝突を制御している。
論文 参考訳（メタデータ） (2026-10-02T06:12:12Z) - Seeing What the Vehicle Sees: Video-Augmented Virtual Reality for Physical Autonomous Vehicles [0.0]
本稿では,メタクエスト3Sヘッドセットに搭載されたUnity 6アプリケーションに物理ROS 2自律ロボットを結合したビデオ拡張VRフレームワークを提案する。
このフレームワークは、物理的自律車動の没入的な観察のために、時間的に同期され、セマンティックに一貫性があり、正確な経路プログレス表現をサポートすることができる。
論文 参考訳（メタデータ） (2026-08-31T16:30:42Z) - muSync-GS: Physics-Synchronized Driving Video Synthesis for Weather and Geometric Road Hazards [8.411603210370858]
muSync-GSは物理同期フレームワークで、悪天候や道路上の危険下でビデオ合成を駆動する。
キャリブレーションされた車両モデルは、エゴカメラ軌道と同期物理アノテーションを構築するための速度、スリップ比、正常荷重、ピッチを予測する。
論文 参考訳（メタデータ） (2026-08-05T03:47:18Z) - Physics-Aware 3D Gaussian Editing for Driving Scene Generation [19.443845441293647]
RoVESは物理を意識した3Dガウス編集システムである。
シングルイメージ駆動の道路形状の挿入を可能にし、4-DOF半車両動力学的モデルで編集された道路形状を結合する。
ポーズ編集によって動的車両を編集し、フレームごとのポーズを補正し、動的に一貫性のある垂直変位とピッチ応答を近似する。
論文 参考訳（メタデータ） (2026-05-25T02:57:23Z) - ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。
提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。
提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
論文 参考訳（メタデータ） (2026-04-01T16:48:20Z) - 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) - Other Vehicle Trajectories Are Also Needed: A Driving World Model Unifies Ego-Other Vehicle Trajectories in Video Latent Space [17.492276923861503]
本研究では,EOT-WMという自動車軌道を駆動シミュレーション用ビデオに統一した運転世界モデルを提案する。
提案手法はFIDが30%,FVDが55%向上する。
また、自作の軌跡で見えない運転シーンを予測することもできる。
論文 参考訳（メタデータ） (2025-03-12T10:02:18Z) - Stag-1: Towards Realistic 4D Driving Simulation with Video Generation Model [83.31688383891871]
本稿では,現実世界のシーンを再現するために,DrivinG(Stag-1)モデルのための空間-テンポラル・シミュレートを提案する。
Stag-1は、自動運転車のサラウンドビューデータを使用して、連続した4Dポイントのクラウドシーンを構築する。
空間的時間的関係を分離し、コヒーレントな運転ビデオを生成する。
論文 参考訳（メタデータ） (2024-12-06T18:59:56Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z)
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。