本研究では、SynADというフレームワークを提案し、合成データを活用して実世界のエンドツーエンド自律運転（E2E AD）モデルを強化する方法を探求しています。自律運転の進展には、高品質な実世界データが重要ですが、それだけではトレーニング用の運転シナリオの多様性が限られています。合成シナリオ生成を用いることで、このデータの多様性を向上させる可能性がありますが、これまでの研究ではE2E ADモデルでの応用が十分に進んでいませんでした。SynADでは、合成シナリオ内の最も包括的な運転情報を持つエージェントをエゴ車両として指定し、パスレベルのシナリオを地図に投影し、センサー入力に依存せずに鳥瞰図の特徴を抽出します。さらに、マップベースの合成データと実データを効果的に統合するトレーニング戦略も提案しています。実験結果により、SynADの統合が安全性の向上に寄与することが示されています。この研究は、合成シナリオ生成とE2E ADの架け橋となり、より包括的で強固な自律運転モデルの構築に道を開くものです。