Dash2Sim: 実走行ダッシュカム映像からのクローズドループ運転シミュレーション

- in-the-wild の monocular dashcam 動画から、既存シミュレータと互換性のある metric で geo-referenced な 4D driving logs を生成するフレームワーク Dash2Sim を提案。 - 大規模動画コーパスに適用し、17都市・4,244シーン・2.7M 3D objects からなる ROADWork4D ベンチマークを構築。 - 検証済みサブセット ROADWork4D-CL（2,201シーン）で work zone シナリオの closed-loop planners を評価。

- 従来の self-driving シミュレーションは少数都市のデータや手作業の synthetic scenarios に依存。 - Dashcam 動画は広範な場所・希少/ long-tailed シナリオをカバーするが、monocular in-the-wild 動画からの正確な 4D シーン復元が困難でシミュレーション利用が難しいとされてきた。 - Dash2Sim はこれを可能にし、work zone のような long-tailed 状況を扱える点が新しい。

- in-the-wild monocular dashcam 動画を metric で geo-referenced な 4D driving logs に変換。 - 各ログを独立に維持された map と照合し、アノテーションなしで検証。 - 密な depth を復元し、closed-loop sensor simulation の conditioning に活用可能。

- 独立に維持された map との照合により、アノテーションなしで各ログを検証。 - ROADWork4D-CL 上で privileged closed-loop planners を評価し、work zone シナリオの困難さを分析。 - Dash2Sim が復元した密な depth が novel-view synthesis の perceptual metrics を最大19%改善することを確認。

- work zone シナリオは難しく、rule-based と hybrid planners は learning-based より汎化するが、全てが temporary work zone channels に必要な lane changes を行えず不十分。 - Dash2Sim の密な depth は novel-view synthesis の品質を向上させ、monocular 動画からの closed-loop sensor simulation への応用可能性を示唆。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、self-driving simulation、monocular 4D scene reconstruction、closed-loop planning、novel-view synthesis の定番研究が挙げられる。