SynAD：通过合成数据集成提升现实世界端到端自动驾驶模型
机器人学
2025-10-29 v1 人工智能
摘要
深度学习技术的近期进展以及高质量真实驾驶数据集的可用性，推动了端到端自动驾驶的发展。尽管如此，仅依赖真实数据会限制训练场景的多样性。合成情景生成作为丰富训练数据多样性的解决方案，近年来屈居可行范畴，但其在 E2E AD 模型中的应用仍属未完全探索的领域。这主要源于缺乏指定的 ego 车辆及其通常提供的传感器输入（如摄像头或 LiDAR），这些是真实场景中常见的。为此，我们引入 SynAD，即第一个旨在使用合成数据增强真实世界 E2E AD 模型的框架。我们的方法将拥有最全面驾驶信息的代理指定为多代理合成情景中的 ego 车辆。我们进一步将情景级别的情景映射到地图，并采用新开发的 Map-to-BEV 网络，从而无需依赖传感器输入即可获得鸟瞰视图特征。最后，我们设计一种训练策略，有效地将基于地图的合成数据与真实驾驶数据集成。实验结果表明，SynAD 成功集成了所有组件，并显著提升了安全性能。通过桥接合成情景生成与 E2E AD，SynAD 为更全面和稳健的自动驾驶模型铺平了道路。
引用
@article{arxiv.2510.24052,
title = {SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration},
author = {Jongsuk Kim and Jaeyoung Lee and Gyojin Han and Dongjae Lee and Minki Jeong and Junmo Kim},
journal= {arXiv preprint arXiv:2510.24052},
year = {2025}
}