論文の概要: nuPlan-R: A Closed-Loop Planning Benchmark for Autonomous Driving via Reactive Multi-Agent Simulation

• arxiv url: http://arxiv.org/abs/2511.10403v1
• Date: Fri, 14 Nov 2025 01:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.850864
• Title: nuPlan-R: A Closed-Loop Planning Benchmark for Autonomous Driving via Reactive Multi-Agent Simulation
• Title（参考訳）: nuPlan-R: リアクティブマルチエージェントシミュレーションによる自律走行のための閉ループ計画ベンチマーク
• Authors: Mingxing Peng, Ruoyu Yao, Xusen Guo, Jun Ma,
• Abstract要約: 我々は、新しいリアクティブクローズドループ計画ベンチマークであるnuPlan-Rを提案する。 本ベンチマークでは,ルールベースのIMMエージェントをノイズ分離型拡散型反応性エージェントに置き換える。 ベンチマークを2つの追加メトリクスで拡張し、計画性能をより包括的な評価を可能にします。
• 参考スコア（独自算出の注目度）: 2.585002881750625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in closed-loop planning benchmarks have significantly improved the evaluation of autonomous vehicles. However, existing benchmarks still rely on rule-based reactive agents such as the Intelligent Driver Model (IDM), which lack behavioral diversity and fail to capture realistic human interactions, leading to oversimplified traffic dynamics. To address these limitations, we present nuPlan-R, a new reactive closed-loop planning benchmark that integrates learning-based reactive multi-agent simulation into the nuPlan framework. Our benchmark replaces the rule-based IDM agents with noise-decoupled diffusion-based reactive agents and introduces an interaction-aware agent selection mechanism to ensure both realism and computational efficiency. Furthermore, we extend the benchmark with two additional metrics to enable a more comprehensive assessment of planning performance. Extensive experiments demonstrate that our reactive agent model produces more realistic, diverse, and human-like traffic behaviors, leading to a benchmark environment that better reflects real-world interactive driving. We further reimplement a collection of rule-based, learning-based, and hybrid planning approaches within our nuPlan-R benchmark, providing a clearer reflection of planner performance in complex interactive scenarios and better highlighting the advantages of learning-based planners in handling complex and dynamic scenarios. These results establish nuPlan-R as a new standard for fair, reactive, and realistic closed-loop planning evaluation. We will open-source the code for the new benchmark.
• Abstract（参考訳）: クローズドループ計画ベンチマークの最近の進歩は、自動運転車の評価を大幅に改善した。 しかし、既存のベンチマークは、行動の多様性が欠如し、現実的な人間のインタラクションをキャプチャできないIntelligent Driver Model (IDM)のようなルールベースのリアクティブエージェントに依存しており、過度に単純化されたトラフィックダイナミクスをもたらしている。 これらの制限に対処するために,学習ベースのリアクティブマルチエージェントシミュレーションをnuPlanフレームワークに統合した,新しいリアクティブクローズドループ計画ベンチマークであるnuPlan-Rを提案する。 本ベンチマークでは,ルールベースのIMMエージェントをノイズ分離型拡散型反応性エージェントに置き換え,リアル性と計算効率の両立を図る対話型エージェント選択機構を導入する。 さらに、ベンチマークを2つの追加指標で拡張し、計画性能のより包括的な評価を可能にします。 大規模な実験により、我々のリアクティブエージェントモデルはより現実的で、多様で、人間に似た交通行動を生み出すことが示され、実際のインタラクティブな運転をより良く反映するベンチマーク環境につながります。 我々はさらに、nuPlan-Rベンチマークでルールベース、学習ベース、ハイブリッドプランニングのアプローチの集合を再実装し、複雑な対話シナリオにおけるプランナーのパフォーマンスをより明確に反映し、複雑なシナリオや動的シナリオを扱う上で、学習ベースのプランナーの利点をより強調します。 これらの結果から, nuPlan-Rは, 公正で反応性があり, リアルなクローズループ計画評価のための新しい標準として確立された。 新しいベンチマークのコードをオープンソースにします。

関連論文リスト

• When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks [39.146761527401424]
  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。
  論文  参考訳（メタデータ） (2025-10-16T13:34:12Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
  軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。 近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。 我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
  論文  参考訳（メタデータ） (2025-02-12T00:26:01Z)
• 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)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• 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)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。