MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous Driving

解决问题：该论文旨在提出一个基于神经辐射场（NeRFs）的自动驾驶模拟器，以实现对自动驾驶系统的全面测试。该模拟器的独特之处在于它是实例感知的、模块化的和真实的，可以更好地模拟实际驾驶场景，从而解决自动驾驶系统在边缘情况下的问题。

关键思路：该论文的关键思路在于提出了一个实例感知的模拟器，可以分别对前景实例和背景环境进行建模，从而更好地模拟实际驾驶场景。此外，该模拟器具有模块化的设计，可以灵活切换不同的NeRF相关的骨干结构、采样策略和输入模态等。相比当前领域的研究，该论文的思路更加全面、实际，并且具有更高的灵活性和可扩展性。

其他亮点：该论文的一个亮点是其实验结果，该模拟器在最佳模块选择下实现了最新的照片级真实感结果。此外，该论文提供了开源代码，可以更好地促进学术研究和工业部署。该研究的一个值得深入研究的方向是如何进一步提高模拟器的效率和准确性。

关于作者：该论文的主要作者来自中国科学院自动化研究所和清华大学。他们之前的代表作包括：“基于深度学习的多目标跟踪”、“自我监督学习的多目标跟踪”等。

相关研究：近期其他相关的研究包括：“CARLA: An Open Urban Driving Simulator”（Alexey Dosovitskiy等，斯坦福大学）、“LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving”（LG Silicon Valley Lab）等。

论文摘要：现如今，自动驾驶汽车在普通情况下可以平稳行驶，人们普遍认为通过模拟真实情况下的角落案例来解决问题的关键在于进行真实感传感器模拟。为此，我们提出了一种基于神经辐射场（NeRFs）的自动驾驶模拟器。与现有的工作相比，我们的模拟器具有三个显著特点：（1）实例感知。我们的模拟器将前景实例和背景环境分别用独立的网络建模，以便可以分别控制实例的静态属性（例如大小和外观）和动态属性（例如轨迹）。 （2）模块化。我们的模拟器允许在不同的现代NeRF相关骨干、采样策略、输入模态等之间灵活切换。我们期望这种模块化设计能够推动NeRF基础的自动驾驶模拟在学术进展和工业部署方面的发展。（3）真实感。在选择最佳模块的情况下，我们的模拟器设置了新的最先进的照片逼真度结果。我们的模拟器将开源，而我们的大部分同行却不会。项目页面：https://open-air-sun.github.io/mars/.

内容中包含的图片若涉及版权问题，请及时与我们联系删除