ODDを拡張して、既存のトレーニングデータセットに含まれていない要素を含める。合成データを活用し、データの希少性の問題やクラスの不均衡をターゲットとして、エッジケースに対処

合成データでMLモデルをトレーニングし、ロングテールケースのパフォーマンスを最大3倍向上

実データを合成データセットで補うことで、テストや本番で障害が発生した場合に、新しいトレーニングデータセットの収集とラベリングにかかるサイクルタイムとコストを削減

検証済みのハードウェア固有センサーモデルから生成された物理的に正確な合成データ

業界標準フォーマットのエラーフリーのグランドトゥルースラベル

センサーや材料の挙動を調整するためのパラメータや、合成特有の特徴を取り除くためのドメイン適応によって、シミュレーションと実世界ドメインのギャップを緩和

駐車場のマーク、素材、車両、VRU、その他のODD要素に何千ものバリエーションがある、手続き的に生成された駐車場構造

多様性を最大化し、特定のエッジケースをターゲットにするために、環境、天候、照明などのすべてのシーンコンポーネントに対して分布を直接定義

地域は、アメリカ、カナダ、ヨーロッパ、日本、中国、韓国など