論文の概要: PCLA-Bridge: A Framework for Cross-Domain Deployment of CARLA Agents

• arxiv url: http://arxiv.org/abs/2610.28696v1
• Date: Tue, 20 Oct 2026 09:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.102534
• Title: PCLA-Bridge: A Framework for Cross-Domain Deployment of CARLA Agents
• Title（参考訳）: PCLA-Bridge: CARLAエージェントのクロスドメインデプロイのためのフレームワーク
• Abstract要約: PCLA-Bridgeは、修正されていないCARLAリーダーボードエージェントを、アクティブなCARLAサーバーなしで任意のセンサーソースから制御先へ実行する。 MetaDrive、AWSIM、AlpaSimという3つのシミュレーションエンジンのクローズドループコントロール。 8つの評価されたエージェントは、すべて3つのシミュレータで変更せずに実行される。
• 参考スコア（独自算出の注目度）: 7.72636722205447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most high-performing end-to-end autonomous driving agents (ADAs) are developed for the CARLA Leaderboard, tightly coupling them to CARLA's APIs, sensor layouts, coordinate systems, and internal clock. Reusing these models on real datasets, alternative simulators, or physical platforms necessitates substantial manual re-engineering. We present PCLA-Bridge, a deployable tool that runs unmodified CARLA Leaderboard agents from any sensor source to any control destination without an active CARLA server. With PCLA-Bridge handling dependency isolation, tensor marshalling, routing, and synthetic timing, integrators only need to provide a minimal interface. We validate the tool across two operational paradigms: offline replay on in-domain CARLA recordings and real-world nuScenes logs, and live closed-loop control across three diverse simulation engines: MetaDrive, AWSIM, and AlpaSim. We analyze the lightweight integration requirements for each platform, highlighting output translation (such as converting agent actions into target trajectory formats) and coordinate-frame transformations, showing that integration requires minimal glue code rather than structural changes. All eight evaluated agents execute across all three simulators without modification, confirming the reliability of PCLA-Bridge and establishing a foundation for systematic sim-to-real, cross-sim, and security testing.
• Abstract（参考訳）: ほとんどの高性能エンド・ツー・エンドの自動運転エージェント(ADA)は、CARLA Leaderboard用に開発されており、それらをCARLAのAPI、センサーレイアウト、座標系、内部時計と密に結合している。 これらのモデルを実際のデータセット、代替シミュレータ、または物理プラットフォームで再利用するには、かなりの手作業による再設計が必要である。 我々は,CARLAサーバを使用せずに任意のセンサソースから任意の制御先へ,修正されていないCARLAリーダーボードエージェントを動作させる,デプロイ可能なツールであるPCLA-Bridgeを提案する。 PCLA-Bridgeは依存性分離、テンソルマーシャリング、ルーティング、合成タイミングを扱うため、インテグレータは最小限のインターフェースを提供する必要がある。 このツールは、ドメイン内のCARLAレコードのオフライン再生と現実世界のnuScenesログ、MetaDrive、AWSIM、AlpaSimという3つのシミュレーションエンジンのクローズループコントロールという2つの運用パラダイムで検証しています。 我々は、各プラットフォームの軽量な統合要件を分析し、出力変換(エージェントアクションを対象のトラジェクトリフォーマットに変換するなど)と座標フレーム変換を強調し、統合が構造的変化よりも最小限のグルーコードを必要とすることを示す。 8つの評価されたエージェントはすべて、3つのシミュレータを変更せずに実行し、PCLA-Bridgeの信頼性を確認し、システマティックシミュレート、クロスシミュレート、セキュリティテストの基盤を確立する。

関連論文リスト

• TileCas: Cascading Kernel Development Across Programming Abstractions [15.660385556795257]
  GPUとAIアクセラレータカーネル生成によるマシン駆動プログラミングの抽象化。 我々は,複数の編集可能な抽象化レベルにわたって,コーディングエージェントがカーネルを開発できる,統一的でプラグイン可能なインターフェースであるTileCasを提案する。 TileCasをAKOとKDAの2つのコードエージェントと統合し、50のエンドツーエンドのKernelBench Level 3ワークロード上で両方の統合を評価します。
  論文  参考訳（メタデータ） (2026-10-10T09:00:51Z)
• Closed-Loop Hybrid Digital Twin Platform for Connected and Automated Vehicle Validation [8.373850248021927]
  本稿では,コネクテッド・アンド・オートマチック・ビークル(CAV)検証のための,新しいリアルタイムハイブリッドデジタルツインプラットフォームを提案する。 その中核となるイノベーションは、高忠実度CARLA-SUMOと物理試験場と車両との密結合であり、低遅延のV2X通信リンクによって実現されている。 詳細な実装には、フルスケールのアセット再構築にPhotogrammetryを使用し、スケーラブルでマルチユーザ操作にクラウドエッジのコラボレーティブアーキテクチャが含まれる。
  論文  参考訳（メタデータ） (2026-05-19T07:44:59Z)
• ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation [55.947962672433675]
  ChipMATEは、RTL生成のための最初の自己学習型マルチエージェントフレームワークである。 ChipMATEは産業的な実践に触発され、VerilogエージェントとPythonのリファレンスモデルエージェントをペアにし、相互に出力を検証する。 ChipMATEは、VerilogEval V2で75.0%と80.1%パス@1を4Bと9Bベースモデルで達成している。
  論文  参考訳（メタデータ） (2026-05-13T01:04:21Z)
• CARLA-Air: Fly Drones Inside a CARLA World -- A Unified Infrastructure for Air-Ground Embodied Intelligence [2.061094726550731]
  CARLA-Airは、1つのUnreal Engineプロセス内に高忠実度都市運転と物理精度のマルチロータ飛行を統合するオープンソースのインフラである。 CARLA-Airは、共有物理ティッチとレンダリングパイプライン内で、ルールに準拠したトラフィック、社会的に認識された歩行者、空力的に一貫性のあるUAVダイナミクスを備えた環境を提供する。
  論文  参考訳（メタデータ） (2026-03-30T04:49:29Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• OpenCAMS: An Open-Source Connected and Automated Mobility Co-Simulation Platform for Advancing Next-Generation Intelligent Transportation Systems Research [4.58063394223487]
  OpenCAMSはオープンソースで、同期化され、共同シミュレーションフレームワークである。 SUMO、CARLA、OMNeT++の3つの最高のクラスシミュレーションツールを密に結合している。 OpenCAMSは交通安全、モビリティ、サイバーセキュリティに関する高度な研究を支援するように設計されている。
  論文  参考訳（メタデータ） (2025-07-12T08:10:37Z)
• CAMELTrack: Context-Aware Multi-cue ExpLoitation for Online Multi-Object Tracking [68.24998698508344]
  CAMELはコンテキスト対応型マルチキューExpLoitationのための新しいアソシエイトモジュールである。 エンド・ツー・エンドの検知・バイ・トラック方式とは異なり,本手法は軽量かつ高速にトレーニングが可能であり,外部のオフ・ザ・シェルフモデルを活用することができる。 提案するオンライントラッキングパイプラインであるCAMELTrackは,複数のトラッキングベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-02T13:26:23Z)
• SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
  エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
  論文  参考訳（メタデータ） (2021-09-08T22:06:16Z)
• Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
  本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-12T09:18:36Z)

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。