論文の概要: From Real-World Traffic Data to Relevant Critical Scenarios

• arxiv url: http://arxiv.org/abs/2512.07482v1
• Date: Mon, 08 Dec 2025 12:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.875149
• Title: From Real-World Traffic Data to Relevant Critical Scenarios
• Title（参考訳）: 実世界の交通データから関連する危機シナリオへ
• Authors: Florian Lüttner, Nicole Neis, Daniel Stadler, Robin Moss, Mirjam Fehling-Kaschek, Matthias Pfriem, Alexander Stolz, Jens Ziehn,
• Abstract要約: 本稿では,複数自由度を含む高速道路交通における車線変更シナリオの分析と,多数の安全関連シナリオについて述べる。 本稿では,道路交通における実世界のデータ取得と処理のプロセスについて述べるとともに,軌道データに対する臨界度対策の適用について述べる。 記録されたシナリオに基づいて合成シナリオを作成することによって、関連するシナリオを生成する方法を提案する。
• 参考スコア（独自算出の注目度）: 36.84013435317315
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The reliable operation of autonomous vehicles, automated driving functions, and advanced driver assistance systems across a wide range of relevant scenarios is critical for their development and deployment. Identifying a near-complete set of relevant driving scenarios for such functionalities is challenging due to numerous degrees of freedom involved, each affecting the outcomes of the driving scenario differently. Moreover, with increasing technical complexity of new functionalities, the number of potentially relevant, particularly "unknown unsafe" scenarios is increasing. To enhance validation efficiency, it is essential to identify relevant scenarios in advance, starting with simpler domains like highways before moving to more complex environments such as urban traffic. To address this, this paper focuses on analyzing lane change scenarios in highway traffic, which involve multiple degrees of freedom and present numerous safetyrelevant scenarios. We describe the process of data acquisition and processing of real-world data from public highway traffic, followed by the application of criticality measures on trajectory data to evaluate scenarios, as conducted within the AVEAS project (www.aveas.org). By linking the calculated measures to specific lane change driving scenarios and the conditions under which the data was collected, we facilitate the identification of safetyrelevant driving scenarios for various applications. Further, to tackle the extensive range of "unknown unsafe" scenarios, we propose a way to generate relevant scenarios by creating synthetic scenarios based on recorded ones. Consequently, we demonstrate and evaluate a processing chain that enables the identification of safety-relevant scenarios, the development of data-driven methods for extracting these scenarios, and the generation of synthetic critical scenarios via sampling on highways.
• Abstract（参考訳）: 自動運転車の信頼性の高い運用、自動運転機能、および幅広い関連するシナリオにわたる高度な運転支援システムは、開発と展開に不可欠である。 このような機能について、関連する運転シナリオのほぼ完全なセットを特定することは、多くの自由度が関与し、それぞれが異なる運転シナリオの結果に影響を与えるため、困難である。 さらに、新しい機能の技術的な複雑さが増大するにつれて、潜在的な関連性、特に"未知のアンセーフ"シナリオの数が増加している。 検証効率を高めるためには,高速道路のようなシンプルな領域から始めて,都市交通などの複雑な環境に移行する前に,事前に関連するシナリオを特定することが不可欠である。 そこで本研究では,複数自由度を含む高速道路交通における車線変更シナリオの分析と,多数の安全関連シナリオについて述べる。 AVEASプロジェクト(www.aveas.org)において,道路交通における実世界のデータ取得と処理のプロセスについて述べる。 算出した手法を,特定の車線変更駆動シナリオとデータ収集条件にリンクすることにより,各種アプリケーションにおける安全関連運転シナリオの同定を容易にする。 さらに, 様々な「未知の安全」シナリオに対処するために, 記録したシナリオに基づいて合成シナリオを作成することによって, 関連するシナリオを生成する方法を提案する。 その結果、安全関連シナリオの識別、これらのシナリオを抽出するデータ駆動手法の開発、高速道路でのサンプリングによる合成クリティカルシナリオの生成を可能にする処理チェーンを実証し、評価した。

関連論文リスト

• Causality-based Transfer of Driving Scenarios to Unseen Intersections [0.0]
  シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T15:38:18Z)
• 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)
• Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
  シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。 シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。 本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T20:51:24Z)
• Toward Unsupervised Test Scenario Extraction for Automated Driving Systems from Urban Naturalistic Road Traffic Data [0.0]
  提案手法は、道路交通データからシナリオを抽出するための教師なし機械学習パイプラインをデプロイする。 InDおよびSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。 階層的クラスタリングを用いて,4から5クラスタに移行すると,全体の精度が約20%向上し,41クラスタから全体の精度が84%の飽和効果が得られた。
  論文  参考訳（メタデータ） (2022-02-14T10:55:14Z)
• 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)
• Unsupervised Lane-Change Identification for On-Ramp Merge Analysis in Naturalistic Driving Data [0.0]
  シナリオ駆動アプローチは、シナリオの堅牢なデータ基盤の要件を強調するCAVの受け入れを得ています。 本研究では,シナリオ分類とアセスメントを可能にするオンランプシナリオ識別フレームワークを提案する。 フレームワークの有効性は、Test Bed Lower Saxonyで収集されたデータセットで示される。
  論文  参考訳（メタデータ） (2021-04-12T17:32:22Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)

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。