論文の概要: Adv-BMT: Bidirectional Motion Transformer for Safety-Critical Traffic Scenario Generation

• arxiv url: http://arxiv.org/abs/2506.09485v1
• Date: Wed, 11 Jun 2025 07:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.722051
• Title: Adv-BMT: Bidirectional Motion Transformer for Safety-Critical Traffic Scenario Generation
• Title（参考訳）: Adv-BMT:安全臨界交通シナリオ生成のための双方向運動変換器
• Authors: Yuxin Liu, Zhenghao Peng, Xuanhao Cui, Bolei Zhou,
• Abstract要約: 本稿では,現実のシナリオを多様かつ現実的な対話で拡張するAdv-BMTフレームワークを提案する。 本稿では,Adv-BMTによる衝突シナリオの品質評価を行った。
• 参考スコア（独自算出の注目度）: 45.3505527295291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scenario-based testing is essential for validating the performance of autonomous driving (AD) systems. However, such testing is limited by the scarcity of long-tailed, safety-critical scenarios in existing datasets collected in the real world. To tackle the data issue, we propose the Adv-BMT framework, which augments real-world scenarios with diverse and realistic adversarial interactions. The core component of Adv-BMT is a bidirectional motion transformer (BMT) model to perform inverse traffic motion predictions, which takes agent information in the last time step of the scenario as input, and reconstruct the traffic in the inverse of chronological order until the initial time step. The Adv-BMT framework is a two-staged pipeline: it first conducts adversarial initializations and then inverse motion predictions. Different from previous work, we do not need any collision data for pretraining, and are able to generate realistic and diverse collision interactions. Our experimental results validate the quality of generated collision scenarios by Adv-BMT: training in our augmented dataset would reduce episode collision rates by 20\% compared to previous work.
• Abstract（参考訳）: シナリオベースのテストは、自律運転(AD)システムの性能を検証する上で不可欠である。 しかし、そのようなテストは、現実世界で収集された既存のデータセットにおける、長い尾の安全クリティカルなシナリオの不足によって制限される。 データ問題に対処するために,多種多様かつ現実的な対話によって現実のシナリオを拡張するAdv-BMTフレームワークを提案する。 Adv-BMTのコアコンポーネントは双方向モーショントランスフォーマー(BMT)モデルであり、シナリオの最後の時間ステップでエージェント情報を入力として取得し、最初の時間ステップまで時系列の逆順でトラフィックを再構築する。 Adv-BMTフレームワークは2段階のパイプラインであり、まず逆初期化を行い、次に逆運動予測を行う。 以前の研究と異なり、事前訓練のための衝突データも必要とせず、現実的で多様な衝突相互作用を生成することができる。 実験の結果,Adv-BMTが生成した衝突シナリオの品質を評価することができた。

関連論文リスト

• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• AccidentBlip: Agent of Accident Warning based on MA-former [24.81148840857782]
  AccidentBlipは視覚のみのフレームワークで、ビデオの各フレームを処理するために自設計のMotion Accident Transformer(MA-former)を使用している。 AccidentBlipは、DeepAccidentデータセット上の事故検出と予測タスクの両方のパフォーマンスを達成する。 また、V2VおよびV2Xシナリオにおける現在のSOTAメソッドよりも優れており、複雑な現実世界環境を理解するのに優れた能力を示している。
  論文  参考訳（メタデータ） (2024-04-18T12:54:25Z)
• inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data [1.03590082373586]
  InTersection-Transformer(inTformer)を提案する。これは、リアルタイムに交差点衝突確率を効果的に予測できる時間組込みアテンションベースのトランスフォーマーモデルである。 提案手法は,Signal Analytics Platformから抽出したコネクテッドカーデータを用いて評価した。 InTformerの最適モデルである"within-intersection"と"approach"ゾーンは、それぞれ73%、70%の感度を実現した。
  論文  参考訳（メタデータ） (2023-07-07T22:00:31Z)
• Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network [7.150832716115448]
  交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。 このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。 本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T13:08:04Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。