論文の概要: When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks

• arxiv url: http://arxiv.org/abs/2510.14677v1
• Date: Thu, 16 Oct 2025 13:34:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.877974
• Title: When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks
• Title（参考訳）: Plannersが現実に出会ったとき - リアクティブなトラフィックエージェントがnuPlanベンチマークをシフト
• Authors: Steffen Hagedorn, Luka Donkov, Aron Distelzweig, Alexandru P. Condurache,
• Abstract要約: ルールベースのトラフィックエージェントは、プランナーの欠陥とバイアスランキングを隠蔽する。 我々は、最先端の学習トラフィックエージェントモデルSMARTをnuPlanに統合する。 IDMに基づくシミュレーションでは,計画性能が過大評価されている。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Planner evaluation in closed-loop simulation often uses rule-based traffic agents, whose simplistic and passive behavior can hide planner deficiencies and bias rankings. Widely used IDM agents simply follow a lead vehicle and cannot react to vehicles in adjacent lanes, hindering tests of complex interaction capabilities. We address this issue by integrating the state-of-the-art learned traffic agent model SMART into nuPlan. Thus, we are the first to evaluate planners under more realistic conditions and quantify how conclusions shift when narrowing the sim-to-real gap. Our analysis covers 14 recent planners and established baselines and shows that IDM-based simulation overestimates planning performance: nearly all scores deteriorate. In contrast, many planners interact better than previously assumed and even improve in multi-lane, interaction-heavy scenarios like lane changes or turns. Methods trained in closed-loop demonstrate the best and most stable driving performance. However, when reaching their limits in augmented edge-case scenarios, all learned planners degrade abruptly, whereas rule-based planners maintain reasonable basic behavior. Based on our results, we suggest SMART-reactive simulation as a new standard closed-loop benchmark in nuPlan and release the SMART agents as a drop-in alternative to IDM at https://github.com/shgd95/InteractiveClosedLoop.
• Abstract（参考訳）: クローズドループシミュレーションにおけるプランナー評価はしばしばルールベースのトラフィックエージェントを使用し、単純で受動的な振る舞いはプランナーの欠陥やバイアスランキングを隠蔽する。 広く使用されているIMMエージェントは、単にリードカーに従うだけで、隣接する車線での車両への反応ができず、複雑な相互作用能力のテストを妨げる。 我々は、最先端の学習トラフィックエージェントモデルSMARTをnuPlanに統合することでこの問題に対処する。 したがって、我々は、より現実的な条件下でプランナーを評価し、sim-to-realギャップを狭める際に、どのように結論がシフトするかを定量化する最初の方法である。 IDMに基づくシミュレーションは計画性能を過大評価しており,ほぼ全てのスコアが劣化している。 対照的に、多くのプランナーは以前想定されていたよりもうまく相互作用し、レーン変更やターンのようなマルチレーン、インタラクションの重いシナリオでも改善します。 クローズドループで訓練された手法は、最高かつ最も安定した運転性能を示す。 しかし、拡張エッジケースのシナリオで限界に達すると、すべての学習プランナーは突然劣化し、ルールベースのプランナーは合理的な基本的な振る舞いを維持する。 この結果から, SMART-reactive Simulation を nuPlan の新しい標準クローズドループベンチマークとして提案し, https://github.com/shgd95/InteractiveClosedLoop で IDM の代替として SMART エージェントをリリースする。

関連論文リスト

• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios? [11.917542484123134]
  現実の自動運転システムは、稀で多様な交通シナリオに直面して安全な判断をしなければならない。 現在の最先端のプランナーは、主にnuScenes(オープンループ)やnuPlan(クローズループ)といった現実世界のデータセットで評価されます。
  論文  参考訳（メタデータ） (2024-04-11T08:57:48Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)

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。