論文の概要: HABIT: Human Action Benchmark for Interactive Traffic in CARLA

• arxiv url: http://arxiv.org/abs/2511.19109v1
• Date: Mon, 24 Nov 2025 13:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.221478
• Title: HABIT: Human Action Benchmark for Interactive Traffic in CARLA
• Title（参考訳）: HABIT: CARLAにおけるインタラクティブトラフィックのためのヒューマンアクションベンチマーク
• Authors: Mohan Ramesh, Mark Azer, Fabian B. Flohr,
• Abstract要約: 高忠実度シミュレーションベンチマークであるHABIT(Human Action Benchmark for Interactive Traffic)を紹介する。 約3万回の再ターゲティングされた最初のプールから、交通対応の歩行者4,730回をキュレートする。 当科におけるAbbreviated Injury Scale (AIS) やFalse Positive Braking Rate (FPBR) などの安全基準は, 先行評価で見逃された最先端ADエージェントの致命的な障害モードを明らかにする。
• 参考スコア（独自算出の注目度）: 0.2905751301655124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current autonomous driving (AD) simulations are critically limited by their inadequate representation of realistic and diverse human behavior, which is essential for ensuring safety and reliability. Existing benchmarks often simplify pedestrian interactions, failing to capture complex, dynamic intentions and varied responses critical for robust system deployment. To overcome this, we introduce HABIT (Human Action Benchmark for Interactive Traffic), a high-fidelity simulation benchmark. HABIT integrates real-world human motion, sourced from mocap and videos, into CARLA (Car Learning to Act, a full autonomous driving simulator) via a modular, extensible, and physically consistent motion retargeting pipeline. From an initial pool of approximately 30,000 retargeted motions, we curate 4,730 traffic-compatible pedestrian motions, standardized in SMPL format for physically consistent trajectories. HABIT seamlessly integrates with CARLA's Leaderboard, enabling automated scenario generation and rigorous agent evaluation. Our safety metrics, including Abbreviated Injury Scale (AIS) and False Positive Braking Rate (FPBR), reveal critical failure modes in state-of-the-art AD agents missed by prior evaluations. Evaluating three state-of-the-art autonomous driving agents, InterFuser, TransFuser, and BEVDriver, demonstrates how HABIT exposes planner weaknesses that remain hidden in scripted simulations. Despite achieving close or equal to zero collisions per kilometer on the CARLA Leaderboard, the autonomous agents perform notably worse on HABIT, with up to 7.43 collisions/km and a 12.94% AIS 3+ injury risk, and they brake unnecessarily in up to 33% of cases. All components are publicly released to support reproducible, pedestrian-aware AI research.
• Abstract（参考訳）: 現在の自律運転(AD)シミュレーションは、安全性と信頼性を確保するために不可欠である、現実的で多様な人間の行動の不十分な表現によって、極めて制限されている。 既存のベンチマークは、しばしば歩行者のインタラクションを単純化し、複雑で動的な意図と、堅牢なシステムデプロイメントに不可欠なさまざまな応答をキャプチャできない。 そこで本研究では,高忠実度シミュレーションベンチマークであるHABIT(Human Action Benchmark for Interactive Traffic)を紹介する。 HABITは、モキャップとビデオから得られた現実世界の人間の動きを、モジュラーで拡張可能で物理的に一貫したモーションリターゲティングパイプラインを介して、CARLA(Car Learning to Act、完全な自動運転シミュレータ)に統合する。 約3万回の再目標運動の初期プールから,交通に適合する歩行者運動4,730点を,物理的に一貫した軌道に対してSMPL形式で標準化した。 HABITはCARLAのLeadboardとシームレスに統合され、自動シナリオ生成と厳格なエージェント評価を可能にする。 当科におけるAbbreviated Injury Scale (AIS) やFalse Positive Braking Rate (FPBR) などの安全基準は, 先行評価で見逃された最先端ADエージェントの致命的な障害モードを明らかにする。 最先端の自律運転エージェントであるInterFuser、TransFuser、BEVDriverの3つを評価することで、HABITがスクリプトシミュレーションに隠されたプランナーの弱点を公開する方法を示している。 CARLAのリーダーボード上で1キロあたりの衝突が近いかゼロに等しいにもかかわらず、自律型エージェントは最大7.43回の衝突/kmと12.94%のAIS 3以上の負傷リスクを伴い、最大33%のケースで不必要にブレーキする。 すべてのコンポーネントが公開され、再現可能な歩行者対応AI研究をサポートする。

関連論文リスト

• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification [1.6386429281694148]
  本稿では,実際の交通映像から解釈可能な行動ルールを自動的に検出し,検証し,適用するフレームワークであるSVBRD-LLMを提案する。 このフレームワークは、YOLOv8とByteTrackを使用して車両軌跡を抽出し、キネマティックな特徴を計算し、GPT-5ゼロショットプロンプトを使用して自律車と人力車を比較している。 1500時間以上の実際の交通ビデオの実験では、このフレームワークは90.0%の精度と93.3%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-11-18T23:45:30Z)
• ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
  ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。 ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-28T06:26:36Z)
• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• DecompGAIL: Learning Realistic Traffic Behaviors with Decomposed Multi-Agent Generative Adversarial Imitation Learning [59.63038625580992]
  既存の模倣学習アプローチは、しばしば現実的な交通行動のモデル化に失敗する。 本稿では,現実性をエゴマップとエゴ隣接コンポーネントに明示的に分解するDecompGAILを提案する。 DecompGAILは、WOMD Sim Agents 2025ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-08T11:46:39Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
  運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。 従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。 ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
  論文  参考訳（メタデータ） (2025-02-27T13:43:17Z)
• Building reliable sim driving agents by scaling self-play [3.3378669626639423]
  シミュレーションエージェントは、自動運転車(AV)のような人間と相互作用するシステムの設計とテストに不可欠である 我々は,人間の知覚と制御に対する半現実的な制限の下で,オープンモーションデータセット上で数千のシナリオにセルフプレイをスケールすることを提案する。 テストシーンが見えないように一般化し、0.8%未満の衝突とオフロードインシデントで99.8%のゴール達成率を達成した。
  論文  参考訳（メタデータ） (2025-02-20T16:30:45Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• What Matters to Enhance Traffic Rule Compliance of Imitation Learning for End-to-End Autonomous Driving [10.191916541924813]
  そこで我々は,P-CSGを提案する。P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG。 本稿では,赤信号,停止標識,曲率速度ペナルティという3つの罰則を導入し,エージェントが交通規則に敏感になるようにした。 FGSMやDot攻撃などの敵攻撃に対するロバストネス評価を行ったところ,他のベースラインモデルと比較してロバストネスが著しく増加した。
  論文  参考訳（メタデータ） (2023-09-14T15:54:56Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)

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。