論文の概要: SceneFactory-3D: Lifting 2D Traffic Scenes into 3D Physical Counterfactuals for Scalable Physically Grounded Safety Evaluation
- arxiv url: http://arxiv.org/abs/2610.02874v1
- Date: Fri, 02 Oct 2026 06:12:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.240453
- Title: SceneFactory-3D: Lifting 2D Traffic Scenes into 3D Physical Counterfactuals for Scalable Physically Grounded Safety Evaluation
- Title（参考訳）: SceneFactory-3D: スケーラブルな物理的地盤安全性評価のための2次元交通シーンを3次元物理カウンターにリフティングする
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.866882952372209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scalable driving simulators typically execute vehicle commands using prescribed behavioral or kinematic rules, overlooking the physics of tire-road interfaces, thereby limiting their ability to capture how adverse road and environmental conditions alter vehicle execution and propagate through traffic. To address this limitation, we present SceneFactory-3D, a GPU-batched, physics-grounded multi-agent driving simulator. Vehicles execute acceleration and steering commands via suspension- and friction-limited forces evaluated at each wheel-contact point. Spatially varying friction, per-world 3D heightfields, gravity, and rigid contact consistently govern wheel motion and chassis collisions. Per-world terrain isolation and GPU batching enable SceneFactory-3D to run matched physical counterfactuals in parallel: traffic scenario setup and vehicle controllers remain fixed while only the road condition changes, enabling the resulting closed-loop effects to be evaluated across parallel worlds. To demonstrate the advantage of the SceneFactory-3D-enabled counterfactual evaluation, we conduct an empirical study on vehicle controllers' sensitivity to road conditions. We study three learned-policy families on 1,024 matched 12-vehicle worlds per condition, and two classical planners on a shared 32-world subset, across 21 friction and grade conditions. When friction drops from 1.0 to 0.18, the share of vehicles that clear the work zone safely falls by 6 to 90 percentage points across learned policies (18-19 for classical planners), and near-collision situations become more frequent for every learned policy. Code: https://github.com/SmallWorldLab/SceneFactory_3D
- Abstract（参考訳）: スケーラブルな運転シミュレータは通常、所定の行動規則やキネマティックなルールを用いて車両の指令を実行し、タイヤロードインターフェースの物理を見渡すことで、悪路や環境条件が車両の実行をどう変え、交通を伝播するかを捉える能力を制限する。
この制限に対処するため,GPUにバッチしたマルチエージェント駆動シミュレータであるSceneFactory-3Dを提案する。
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。
空間的に異なる摩擦、世界ごとの3Dハイトフィールド、重力、硬い接触は、車輪の運動とシャシーの衝突を一貫して制御する。
SceneFactory-3Dは、道路の状態だけを変えながら、交通シナリオの設定と車両コントローラを固定し続け、結果としてクローズドループ効果をパラレルワールド全体で評価することができる。
SceneFactory-3D対応の対物評価の利点を実証するため,道路環境に対する車両制御装置の感度に関する実証的研究を行った。
1,024の条件で一致した12車種で学習した3つの家族と、21の摩擦条件とグレード条件で共有された32世界サブセット上での古典的プランナーについて検討した。
摩擦が1.0から0.18に減少すると、作業ゾーンをクリアする車両のシェアは、学習政策(古典的プランナー18-19)全体で6～90ポイント減少し、学習政策ごとにほぼ衝突状態が頻発する。
コード:https://github.com/SmallWorldLab/SceneFactory_3D
関連論文リスト
- MILER: Semantic Mid-Level Representation for Sim-to-Real Reinforcement Learning in Unstructured Autonomous Driving [37.61391230495979]
我々は、ゼロショットsim-to-real転送を備えたエンドツーエンドポリシーフレームワークであるMILERを提案する。
我々は、知覚と制御の両面において、ゼロショットのsim-to-real転送を可能にするトラジェクトリアライメント戦略を採用している。
論文 参考訳（メタデータ） (2026-09-17T17:35:22Z) - 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) - World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。
World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。
プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文 参考訳（メタデータ） (2026-06-18T06:28:33Z) - 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) - 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) - Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
道路交通事故は世界中の交通事故の主な原因である。
米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。
本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。
2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
論文 参考訳（メタデータ） (2026-04-17T21:11:39Z) - 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) - SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。
本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
論文 参考訳（メタデータ） (2025-08-14T12:02:41Z) - Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies [1.3499500088995464]
リアルタイムドリフト戦略は、高価な軌道最適化を回避しながら、必要な場所に車を配置した。
本研究では,タイヤエネルギー吸収の概念に基づく強化学習エージェントを設計する。
トヨタ GR Supra と Lexus LC 500 の実験では、車体を63degのサイドスリップ角度まで安定して押しながら、追跡誤差を最大10cmに抑えながら、様々なウェイポイント構成でスムーズにドリフトできることが示されている。
論文 参考訳（メタデータ） (2024-10-28T13:10:15Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。
まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。
本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文 参考訳（メタデータ） (2020-06-16T17:44:35Z)
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。