Bridging the Domain Gap between Synthetic and Real-World Data for Autonomous Driving

要約

最新の自律システムは、信頼性を確保し、地上車両の信頼を築くために広範なテストを必要とします。
ただし、これらのシステムを現実世界でテストすることは、大規模で多様なデータセットが不足しているため、特にエッジケースでは困難です。
したがって、その開発と評価にはシミュレーションが必要です。
ただし、既存のオープンソース シミュレーターでは、合成ドメインと実世界のドメインの間に大きなギャップが見られることが多く、シミュレーション データを使用する際のモビリティ パフォーマンスの低下やプラットフォームの信頼性の低下につながります。
この問題に対処するために、当社の Scoping Autonomous Vehicle Simulation (SAVeS) プラットフォームは、合成ドメインと現実世界の間で自律地上車両テスト用のシミュレート環境のパフォーマンスをベンチマークします。
私たちのプラットフォームは、ドメインギャップを定量化し、研究者が制御された環境で自律システムを開発およびテストできるようにすることを目的としています。
さらに、SAVeS$^+$ 拡張機能を使用して、ドメイン適応テクノロジを使用して、合成データと現実世界のデータの間のドメイン ギャップに対処することを提案します。
私たちの結果は、SAVeS$^+$ が合成ドメインと現実世界のドメイン間のギャップを埋めるのに効果的であり、処理された合成データセットでトレーニングされたモデルと、同じスケールの実世界のデータセットでトレーニングされたモデルに匹敵するパフォーマンスをもたらすことを示しています。
この論文では、自律性シミュレーションのための合成データと現実世界のデータの間の領域ギャップを定量化し、それに対処するための私たちの取り組みに焦点を当てています。
研究者が制御された環境で自律システムを開発およびテストできるようにすることで、自律シミュレーションを実現に一歩近づけたいと考えています。

要約(オリジナル)

Modern autonomous systems require extensive testing to ensure reliability and build trust in ground vehicles. However, testing these systems in the real-world is challenging due to the lack of large and diverse datasets, especially in edge cases. Therefore, simulations are necessary for their development and evaluation. However, existing open-source simulators often exhibit a significant gap between synthetic and real-world domains, leading to deteriorated mobility performance and reduced platform reliability when using simulation data. To address this issue, our Scoping Autonomous Vehicle Simulation (SAVeS) platform benchmarks the performance of simulated environments for autonomous ground vehicle testing between synthetic and real-world domains. Our platform aims to quantify the domain gap and enable researchers to develop and test autonomous systems in a controlled environment. Additionally, we propose using domain adaptation technologies to address the domain gap between synthetic and real-world data with our SAVeS$^+$ extension. Our results demonstrate that SAVeS$^+$ is effective in helping to close the gap between synthetic and real-world domains and yields comparable performance for models trained with processed synthetic datasets to those trained on real-world datasets of same scale. This paper highlights our efforts to quantify and address the domain gap between synthetic and real-world data for autonomy simulation. By enabling researchers to develop and test autonomous systems in a controlled environment, we hope to bring autonomy simulation one step closer to realization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google