Source : preprint arXiv:2412.14207v2 [cs.RO], 14 avril 2025 · DOI non imprimé dans le PDF · University of Tennessee, Knoxville (Min H. Kao Department of EECS) et University of Memphis (Computer Science) · accès OPEN · PDF Unknown2025-ComprehensiveReviewTraffic.pdf, sha256 b982aeb1f8b766d6…, 24 pages Lu le : 2026-11-02. LECTURE CIBLÉE : résumé, §I, §II, §III-A, §III-C, §IV, §V, §VI, §VII ; non relus en détail : §III-B (prédiction), contenu des Tab. I à VII (seul l’extrait des Tab. I et II a été parcouru), bibliographie. Statut reading. Thème : fusion · jeux de données et simulateurs de trafic (conduite autonome) Métadonnées vérifiées dans le PDF : titre, six auteurs et année 2025 (arXiv v2) conformes au PDF. La clé du corpus (Unknown…) et son titre tronqué (« …Simulators for ») étaient des placeholders. Aucun DOI imprimé.

Contexte et question

Les auteurs notent que les revues existantes traitent soit les jeux de données, soit les simulateurs, ou se limitent à un module (perception, prédiction). Ils proposent une analyse conjointe des deux ressources sur toute la chaîne d’un véhicule autonome : perception, localisation, prédiction, planification, contrôle (§I).

Méthode

• Revue de littérature structurée par une taxonomie (§II) : jeux de données en trois groupes (perception et localisation ; prédiction ; planification et contrôle) ; simulateurs en trois groupes (centrés perception et capteurs ; fondés sur des scénarios ; trafic et mobilité).
• Les jeux de données sont listés par année, volume, domaine (embarqué, V2X, autre), météo, scénario et application visée (Tab. I et II, puis Tab. III à V en complément).
• Une section dédiée aux annotations (§IV) : boîtes englobantes, segmentation, trajectoires, annotation de données synthétiques.
• Les simulateurs sont décrits un par un (§V) et comparés (Tab. VI et VII : multi-agent, import de données réelles, LiDAR, rendu 2D/3D, cartes personnalisées, open source).
• Aucun protocole de sélection des articles (requêtes, critères d’inclusion) n’a été repéré dans les parties lues.

Données

Revue de jeux existants, pas de collecte propre. Exemples décrits :

• Perception onboard : KITTI (2012, villes allemandes, bonnes conditions météo), Cityscapes (50 villes, 5 000 images finement annotées et 20 000 grossièrement), BDD100K, nuScenes, Argoverse 1 et 2, Waymo Open Dataset, SemanticKITTI (§III-A).
• Jeux synthétiques : VIPER, IDDA (plus de 100 scénarios) (§III-A.1).
• V2X : TUMTraf-V2X (caméras RGB et événementielles, LiDAR, GPS, IMU), DAIR-V2X (§III-A.2).
• Planification : PIE (plus de six heures de vidéo à Toronto), nuPlan, LOKI, DeepAccident (§III-C).

Résultats chiffrés

Les chiffres sont des comptages de la revue, pas des mesures de performance.

Ancres :

• « peaking at 37 publications in 2021 » (Fig. 2, p. 2).
• « Custom Maps + Rendering (37.9%) and LiDAR, Rendering, & Maps (36.2%) » (§II-B, p. 2).
• « peak production occurring in 2017, 2019, and 2020 (7 simulators each year) » (§II-B, p. 3).
• « consists of 1,150 comprehensively annotated scenes » (§III-A, p. 3).
• « comprises 71,254 LiDAR and camera frames » (§III-A.2, p. 5).

Constats qualitatifs des auteurs

• Les simulateurs dépendent des données, soit préentraînés sur des jeux existants, soit en important de nouveaux jeux (§II-B).
• L’annotation évolue du manuel vers le semi-automatique et l’automatique (§IV) ; les données synthétiques fournissent une vérité terrain précise par construction (§IV-D).
• Les simulateurs décrits : MetaDrive, CARLA, VISTA 2.0, Autoware/AWSIM, Simcenter Prescan, Waymax, SMARTS, SUMO, SUMMIT, SimMobility (§V).
• Tendances : jeux conçus pour l’apprentissage de bout en bout, génération par modèles vision-langage et modèles génératifs, jeux hybrides réel et synthétique (§VI).

Limites déclarées par les auteurs

• Chaque jeu a ses limites propres : KITTI « collected only in German cities and under ideal weather conditions » ; BDD100K présente des variations de qualité d’annotation (§III-A.1).
• MetaDrive : « its procedurally generated environments may not fully capture real-world complexity » (§V-A, p. 12).
• Domain adaptation : les modèles entraînés sur un jeu sous-performent hors de sa région, météo, capteurs ou en passage simulé vers réel (§VI-C).
• « challenges remain in aligning synthetic data distributions with real-world environments » (§VI-D, p. 16).
• Peu de jeux conçus pour l’apprentissage de bout en bout (§VI-A).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Revue orientée perception embarquée (caméra, LiDAR) : elle couvre peu la télématique de boîtier et les signaux GNSS/IMU bruts. Utile comme carte du paysage, pas comme source de méthode pour la chaîne.
• Sert de point d’entrée pour citer des jeux de référence (Waymo, nuScenes, Argoverse) et des simulateurs (CARLA, SUMO) quand on situe notre banc de simulation.
• Le constat que les simulateurs reposent sur des jeux réels et que l’écart simulé-réel reste ouvert recoupe notre besoin de valider les trajectoires synthétiques contre des enregistrements réels.
• Revue sans protocole de sélection apparent : à citer pour son inventaire, pas pour des chiffres comparatifs. Les pourcentages de la Fig. 3 décrivent le corpus de la revue, pas le marché.
• À relire si on passe en lecture complète : §III-B (prédiction de trajectoires) et Tab. VI et VII (comparatif des simulateurs).