論文の概要: FlowSim: Rendering-Free Closed-Loop Simulation for Evaluating End-to-End Driving Systems

• arxiv url: http://arxiv.org/abs/2610.18030v1
• Date: Tue, 13 Oct 2026 09:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:42:13.769968
• Title: FlowSim: Rendering-Free Closed-Loop Simulation for Evaluating End-to-End Driving Systems
• Title（参考訳）: FlowSim:エンドツーエンド運転システム評価のためのレンダリングフリー閉ループシミュレーション
• Abstract要約: FlowSimはレンダリング不要なシミュレーションパラダイムで、内部の潜伏表現を以前の潜伏および目標フレームの象徴的なシーン条件から直接予測する。 nuScenesとNavSimの実験では、FlowSimは下流の動作を競合的に保存し、ソースと参照の合意において画像空間のシミュレーションを上回ることが示されている。
• 参考スコア（独自算出の注目度）: 7.2127026717630125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Closed-loop evaluation of end-to-end (E2E) driving systems typically relies on generating sensor observations and re-processing them through the perception encoder, introducing substantial computational cost and a sim2real gap between simulated and real sensor observations. In this paper, we ask a more fundamental question: is image-space simulation necessary for closed-loop evaluation of E2E driving systems? We propose FlowSim, a rendering-free simulation paradigm that predicts the internal latent representation directly from a previous latent and target-frame symbolic scene conditions. The predicted latent is then processed by the original frozen downstream modules, eliminating image rendering and perception re-encoding. Explicit cross-frame agent association improves latent transition prediction and rollout stability, while variable-horizon simulation enables long-horizon prediction from a common real anchor without accumulating intermediate rollout errors. Experiments on nuScenes and NavSim demonstrate that FlowSim preserves downstream behavior competitively with, and often exceeds image-space simulation in source-to-reference agreement across variable simulation horizons and both dense and sparse latent representations. By predicting the latent directly, both instantiations of FlowSim simulate each step in 0.04--0.06s, substantially faster than the image-space simulation methods they are compared against. These results establish FlowSim as an efficient and practical alternative to conventional image-space simulation methods.
• Abstract（参考訳）: エンド・ツー・エンド(E2E)駆動システムのクローズドループ評価は、通常、センサー観測の生成と認識エンコーダによる再処理に依存し、かなりの計算コストとシミュレートされたセンサー観測と実際のセンサー観測の間にシミュレートされたギャップをもたらす。 本稿では,E2E駆動システムのクローズドループ評価に画像空間シミュレーションが必要か,という,より根本的な疑問を提起する。 本研究では,レンダリング不要なシミュレーションパラダイムであるFlowSimを提案する。 予測された潜水剤は、元の凍った下流モジュールによって処理され、画像のレンダリングと認識の再符号化がなくなる。 明示的なクロスフレームエージェントアソシエーションは、遅延遷移予測とロールアウト安定性を改善する一方、可変水平シミュレーションは、中間ロールアウトエラーを蓄積することなく、共通の実アンカーからの長時間水平予測を可能にする。 nuScenes と NavSim の実験では、FlowSim は下流の挙動を競合的に保ち、しばしば画像空間のシミュレーションを、様々なシミュレーションの地平線と、密度と疎度の両方の潜在表現で上回っている。 遅延を直接予測することで、FlowSimのインスタンス化はそれぞれのステップを0.04-0.06sでシミュレートする。 これらの結果から,FlowSimは従来の画像空間シミュレーション法に代わる,効率的かつ実用的な代替手段として確立された。

関連論文リスト

• SimForcing: Distilling Simulation Motion Priors into Real-Domain Robot World Models [20.083709952582392]
  アクションコンディショニングされたロボットワールドモデルは、現実的な視覚力学を保ちながら、ロボット軌道に正確に応答する必要がある。 シミュレーション誘導型フレームワークであるSimForcingについて,移動可能な動作知識の源泉として,および予測のための制御可能な参照として,シミュレーションを利用する。 SimForcing はPSNR, SSIM, LPIPS, FVD を外装事前訓練なしで比較した。
  論文  参考訳（メタデータ） (2026-10-05T16:08:01Z)
• LiveSim: Simulating Environment-Shaped Users in Multi-Agent Live-Stream Ecosystems [53.47971344451318]
  ライブストリームエコシステムシミュレーションのための LLM ベースのフレームワーク textbfLiveSim を提案する。 ユーザーを編集可能な行動仮説として表現し、軌道と地上の相互作用を通じてそれらを徐々に洗練する。 実世界のライブストリームリスクコントロールデータを用いた実験は、ユーザレベルの行動忠実度向上におけるLiveSimの有効性を検証する。
  論文  参考訳（メタデータ） (2026-08-27T09:16:29Z)
• A Shortcut to Statistically Steady-State Turbulence with Flow Matching [18.320829792574738]
  本稿では,5次元位相空間におけるジャイロ運動乱流の定常統計を直接推定する潜在生成モデルであるGyroFlowを紹介する。 生成品質を評価するために,事前学習されたジャイロキネティックモデルの潜在空間で計算された分布計量FGyDを提案する。
  論文  参考訳（メタデータ） (2026-07-14T17:58:13Z)
• ForSim: Stepwise Forward Simulation for Traffic Policy Fine-Tuning [13.668397738433852]
  ForSimは段階的にクローズドループフォワードシミュレーションパラダイムである。 マルチモーダルな振る舞いの多様性を保ちながら、モダリティ内整合性を確保する。 ForSimは、グループ相対最適化と協調して、きめ細かいトラフィックポリシーを運用する。
  論文  参考訳（メタデータ） (2026-02-02T10:20:11Z)
• SimDiff: Simulator-constrained Diffusion Model for Physically Plausible Motion Generation [16.110091706917675]
  既存のアプローチでは、しばしば物理的妥当性を強制するために拡散過程にシミュレータベースのモーションプロジェクション層が組み込まれている。 シミュレータに基づく動き予測はガイダンスの形式として解釈可能であることを示す。 環境パラメータを直接デノナイジングプロセスに統合するシミュレータ制約拡散モデルであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-09-25T09:13:35Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• 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)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Recurrent convolutional neural network for the surrogate modeling of subsurface flow simulation [0.0]
  本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。 その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2020-10-08T09:34:48Z)

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。