SimScale: 実世界シミュレーションを大規模に活用した自動運転の学習

- 実世界の走行ログを基に、未見の状態を大量合成するスケーラブルなシミュレーションフレームワーク - neural rendering と reactive environment を用い、perturbed ego trajectory で制御される高忠実度の multi-view 観測を生成 - 合成状態に対する pseudo-expert trajectory 生成で action supervision を付与 - 実データとシミュレーションデータの co-training により planning 手法の robustness と generalization を改善する sim-real learning system（SimScale）

- 実世界コーパスは safety-critical や out-of-distribution な状況が不足しがちという課題に対し、既存ログから大量の未見状態を合成してデータ多様性を補完 - 単純な co-training で navhard で最大 +8.6 EPDMS、navtest で +2.9 の改善 - 追加の実世界データ流入なしでも、シミュレーションデータの増加に伴い policy 改善が滑らかにスケールする点を示唆 - 具体的な先行研究との比較は要旨からは不明

- 既存の driving logs を基に perturbed ego trajectory で制御された multi-view 観測を neural rendering で合成 - reactive environment により高忠実度の観測を生成 - 新規シミュレーション状態に対し pseudo-expert trajectory を生成し action supervision として利用 - 実データと合成データの co-training 戦略を各種 planning 手法に適用 - pseudo-experts の設計や異なる policy architecture のスケーリング特性を分析

- 実世界の難易度高いベンチマークで planning 手法の robustness と generalization を評価 - navhard で最大 +8.6 EPDMS、navtest で +2.9 の改善を報告 - 実世界データを追加せずシミュレーションデータのみ増やした際のスケーリング挙動を検証 - 評価プロトコルの詳細は要旨からは不明

- pseudo-experts の設計が重要であることを示唆 - 異なる policy architecture に対するスケーリング特性を明らかに - sim-real learning system に関する複数の重要な知見を提示 - 限界や失敗事例、計算コストなどの詳細な議論は要旨からは不明

- 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 - 関連手法として neural rendering を用いた driving simulation、pseudo-expert trajectory generation、co-training による planning、EPDMS を用いる navhard/navtest ベンチマーク関連研究を次に読む候補として挙げる