Pseudo-Simulation for Autonomous Driving

要約

自律走行車（AV）に対する既存の評価パラダイムは、決定的な限界に直面している。実世界での評価は、安全性への懸念や再現性の欠如のためにしばしば困難であり、一方、クローズドループシミュレーションは、不十分なリアリズムや高い計算コストに直面する可能性がある。オープンループ評価は、効率的でデータ駆動型である一方で、一般に複合誤差を見落とすメトリクスに依存している。本論文では、これらの限界に対処する新しいパラダイムである擬似シミュレーションを提案する。擬似シミュレーションは、オープンループ評価と同様に実データセット上で動作するが、3Dガウススプラッティングを用いて評価前に生成された合成観測でそれらを補強する。我々の重要なアイデアは、位置、方位、速度が異なる多様な観測セットを生成することで、AVが遭遇する可能性のある将来の状態を近似することです。次に、我々の方法は、新しい近接ベースの重み付けスキームを使用して、AVの可能性の高い動作に最も一致する合成観測に高い重要度を割り当てます。これにより、逐次的な対話型シミュレーションを必要とすることなく、クローズドループベンチマークにおけるように、エラーリカバリーと因果的混同の緩和を評価することができる。擬似シミュレーションは、既存の最も優れたオープンループアプローチ（R^2=0.7）よりも、クローズドループシミュレーション（R^2=0.8）との相関が高いことを示す。また、擬似シミュレーションを用いた新しい手法のベンチマークを行うために、コミュニティーのリーダーボードを公開しています。我々のコードはhttps://github.com/autonomousvision/navsim。

要約(オリジナル)

Existing evaluation paradigms for Autonomous Vehicles (AVs) face critical limitations. Real-world evaluation is often challenging due to safety concerns and a lack of reproducibility, whereas closed-loop simulation can face insufficient realism or high computational costs. Open-loop evaluation, while being efficient and data-driven, relies on metrics that generally overlook compounding errors. In this paper, we propose pseudo-simulation, a novel paradigm that addresses these limitations. Pseudo-simulation operates on real datasets, similar to open-loop evaluation, but augments them with synthetic observations generated prior to evaluation using 3D Gaussian Splatting. Our key idea is to approximate potential future states the AV might encounter by generating a diverse set of observations that vary in position, heading, and speed. Our method then assigns a higher importance to synthetic observations that best match the AV’s likely behavior using a novel proximity-based weighting scheme. This enables evaluating error recovery and the mitigation of causal confusion, as in closed-loop benchmarks, without requiring sequential interactive simulation. We show that pseudo-simulation is better correlated with closed-loop simulations (R^2=0.8) than the best existing open-loop approach (R^2=0.7). We also establish a public leaderboard for the community to benchmark new methodologies with pseudo-simulation. Our code is available at https://github.com/autonomousvision/navsim.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL