日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

自動運転arXiv:2510.24052

SynAD: 合成データ統合による実世界エンドツーエンド自動運転モデルの強化

SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration

シェア:XThreadsFacebookLINEはてブBluesky

合成シナリオからエゴ車両を選定し、地図情報をBEV特徴に変換するネットワークを開発して、実走行データと統合する学習戦略により、エンドツーエンド自動運転モデルの安全性を向上させた。

詳しい要約

1. どんなもの?

- 実世界の end-to-end autonomous driving (E2E AD) モデルを synthetic data で強化する初のフレームワーク SynAD を提案 - 実世界データのみでは走行シナリオの多様性が限られる問題に対処 - synthetic scenario 生成と E2E AD の橋渡しを狙う - 安全性性能の向上を実験的に示す

2. 先行研究と比べてどこがすごい?

- synthetic scenario 生成は訓練データ多様化の有望策として存在 - しかし E2E AD モデルへの適用はほとんど未探索 - 理由は実世界で通常与えられる ego vehicle 指定や camera/LiDAR 等の sensor inputs が synthetic 側に無いこと - SynAD はこの欠落を埋め、synthetic data を実世界 E2E AD に統合する点が新しい

3. 技術・手法の肝は?

- マルチエージェント synthetic scenario 内で最も包括的な走行情報を持つ agent を ego vehicle に指定 - path-level scenario を map 上に投影 - 新規の Map-to-BEV Network により sensor inputs に依存せず bird's-eye-view 特徴を生成 - map ベースの synthetic data と実走行データを効果的に統合する training strategy を設計

4. どうやって有効だと検証した?

- 実験結果により SynAD が全コンポーネントを効果的に統合することを示す - 安全性性能 (safety performance) を顕著に向上させることを報告 - 具体的なデータセット名・比較手法・指標の詳細は要旨からは不明

5. 議論はある?

- synthetic scenario 生成と E2E AD の橋渡しにより、より包括的で堅牢な自動運転モデルへの道を開くと主張 - 限界や失敗事例、計算コスト、sim-to-real ギャップ等の議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない - 関連として synthetic scenario generation の研究、end-to-end autonomous driving の実世界データセット研究、bird's-eye-view 表現や Map-to-BEV 系の手法を次に読む候補として挙げる

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jongsuk Kim, Jaeyoung Lee, Gyojin Han, Dongjae Lee, Minki Jeong, Junmo Kim

分類: cs.RO, cs.AI

原文アブストラクト

Recent advancements in deep learning and the availability of high-quality real-world driving datasets have propelled end-to-end autonomous driving. Despite this progress, relying solely on real-world data limits the variety of driving scenarios for training. Synthetic scenario generation has emerged as a promising solution to enrich the diversity of training data; however, its application within E2E AD models remains largely unexplored. This is primarily due to the absence of a designated ego vehicle and the associated sensor inputs, such as camera or LiDAR, typically provided in real-world scenarios. To address this gap, we introduce SynAD, the first framework designed to enhance real-world E2E AD models using synthetic data. Our method designates the agent with the most comprehensive driving information as the ego vehicle in a multi-agent synthetic scenario. We further project path-level scenarios onto maps and employ a newly developed Map-to-BEV Network to derive bird's-eye-view features without relying on sensor inputs. Finally, we devise a training strategy that effectively integrates these map-based synthetic data with real driving data. Experimental results demonstrate that SynAD effectively integrates all components and notably enhances safety performance. By bridging synthetic scenario generation and E2E AD, SynAD paves the way for more comprehensive and robust autonomous driving models.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI