論文の概要: Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions

• arxiv url: http://arxiv.org/abs/2503.05180v1
• Date: Fri, 07 Mar 2025 06:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:20:25.837725
• Title: Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions
• Title（参考訳）: 運転意図の相互移動を考慮した安全臨界交通シミュレーション
• Authors: Zherui Huang, Xing Gao, Guanjie Zheng, Licheng Wen, Xuemeng Yang, Xiao Sun,
• Abstract要約: IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。 IntSimは、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 11.633051537198687
• License:
• Abstract: Traffic simulation, complementing real-world data with a long-tail distribution, allows for effective evaluation and enhancement of the ability of autonomous vehicles to handle accident-prone scenarios. Simulating such safety-critical scenarios is nontrivial, however, from log data that are typically regular scenarios, especially in consideration of dynamic adversarial interactions between the future motions of autonomous vehicles and surrounding traffic participants. To address it, this paper proposes an innovative and efficient strategy, termed IntSim, that explicitly decouples the driving intentions of surrounding actors from their motion planning for realistic and efficient safety-critical simulation. We formulate the adversarial transfer of driving intention as an optimization problem, facilitating extensive exploration of diverse attack behaviors and efficient solution convergence. Simultaneously, intention-conditioned motion planning benefits from powerful deep models and large-scale real-world data, permitting the simulation of realistic motion behaviors for actors. Specially, through adapting driving intentions based on environments, IntSim facilitates the flexible realization of dynamic adversarial interactions with autonomous vehicles. Finally, extensive open-loop and closed-loop experiments on real-world datasets, including nuScenes and Waymo, demonstrate that the proposed IntSim achieves state-of-the-art performance in simulating realistic safety-critical scenarios and further improves planners in handling such scenarios.
• Abstract（参考訳）: 実世界のデータをロングテール分布で補完する交通シミュレーションは、事故発生シナリオを扱う自動運転車の能力の効果的な評価と強化を可能にする。 このような安全クリティカルなシナリオをシミュレートするのは簡単ではないが、特に自動運転車の将来の動きと周囲の交通参加者との間の動的敵対的相互作用を考慮して、通常シナリオであるログデータからである。 そこで本研究では,現実的かつ効率的な安全クリティカルシミュレーションのための動き計画から,周囲のアクターの運転意図を明確に切り離す,革新的で効率的な戦略であるIntSimを提案する。 我々は、運転意図の逆転を最適化問題として定式化し、多様な攻撃行動と効率的な解収束の広範な探索を容易にする。 同時に、強力な深層モデルと大規模な実世界のデータによる意図条件の動作計画の利点により、アクターの現実的な動作のシミュレーションが可能になる。 特に、環境に基づいて運転意図を適応させることにより、IntSimは自律走行車との動的対向相互作用の柔軟な実現を促進する。 最後に、nuScenesやWaymoなど、現実世界のデータセットに対する大規模なオープンループとクローズループの実験は、提案されたIntSimが、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを実現し、そのようなシナリオを扱うプランナーをさらに改善していることを実証している。

関連論文リスト

• An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions [32.37902846268263]
  オープンワールド」の安全性への影響に関連する研究開発分野では、シミュレーションのパラメータ化や検証を行うための実世界のデータが著しく不足している。 本稿では、異種な方法で公共交通のデータを体系的に取得し、それらを統一表現に変換し、自動運転機能のデータ駆動仮想検証に使用する交通行動モデルを自動的にパラメータ化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T23:24:27Z)
• LitSim: A Conflict-aware Policy for Long-term Interactive Traffic Simulation [3.550570240658488]
  本稿では,ログの介入を最小限に抑えて,現実主義を最大化する長期対話型シミュレーション手法を提案する。 具体的には、当社のアプローチでは、ログリプレイを使用してリアリズムを確実にし、潜在的な衝突を防ぐために必要な場合にのみ介入する。 エージェント間の相互作用を奨励し、紛争を解決し、非現実的な行動のリスクを減らす。
  論文  参考訳（メタデータ） (2024-03-07T07:58:58Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。