論文の概要: Driving in Corner Case: A Real-World Adversarial Closed-Loop Evaluation Platform for End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2512.16055v1
- Date: Thu, 18 Dec 2025 00:41:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:31.864299
- Title: Driving in Corner Case: A Real-World Adversarial Closed-Loop Evaluation Platform for End-to-End Autonomous Driving
- Title（参考訳）: コーナケースでの運転: エンド・ツー・エンド自動運転のための実世界対応型クローズド・ループ評価プラットフォーム
- Authors: Jiaheng Geng, Jiatong Du, Xinyu Zhang, Ye Li, Panqu Wang, Yanjun Huang,
- Abstract要約: 現実世界で収集が難しい安全クリティカルなコーナーケースは、エンドツーエンドの自動運転を評価する上で非常に重要です。
本稿では,現実のシーンにおける対角的相互作用を生成可能な,エンドツーエンドの自動運転のためのクローズドループ評価プラットフォームを提案する。
- 参考スコア（独自算出の注目度）: 13.976330360550802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safety-critical corner cases, difficult to collect in the real world, are crucial for evaluating end-to-end autonomous driving. Adversarial interaction is an effective method to generate such safety-critical corner cases. While existing adversarial evaluation methods are built for models operating in simplified simulation environments, adversarial evaluation for real-world end-to-end autonomous driving has been little explored. To address this challenge, we propose a closed-loop evaluation platform for end-to-end autonomous driving, which can generate adversarial interactions in real-world scenes. In our platform, the real-world image generator cooperates with an adversarial traffic policy to evaluate various end-to-end models trained on real-world data. The generator, based on flow matching, efficiently and stably generates real-world images according to the traffic environment information. The efficient adversarial surrounding vehicle policy is designed to model challenging interactions and create corner cases that current autonomous driving systems struggle to handle. Experimental results demonstrate that the platform can generate realistic driving images efficiently. Through evaluating the end-to-end models such as UniAD and VAD, we demonstrate that based on the adversarial policy, our platform evaluates the performance degradation of the tested model in corner cases. This result indicates that this platform can effectively detect the model's potential issues, which will facilitate the safety and robustness of end-to-end autonomous driving.
- Abstract（参考訳）: 現実世界で収集が難しい安全クリティカルなコーナーケースは、エンドツーエンドの自動運転を評価する上で非常に重要です。
敵対的相互作用は、そのような安全クリティカルコーナーケースを生成する効果的な方法である。
シミュレーション環境を単純化したモデルに対して,既存の対向評価手法を構築しているが,実世界のエンドツーエンド自動運転に対する対向評価はほとんど検討されていない。
この課題に対処するために,現実のシーンにおける対角的相互作用を生成可能な,エンドツーエンドの自動運転のためのクローズドループ評価プラットフォームを提案する。
我々のプラットフォームでは、実世界の画像生成装置は、実世界のデータに基づいて訓練された様々なエンド・ツー・エンド・エンド・モデルを評価するために、敵の交通政策と連携する。
ジェネレータは、フローマッチングに基づいて、交通環境情報に応じて、効率よく安定して現実世界の画像を生成する。
効率的な対向的な車両ポリシーは、挑戦的な相互作用をモデル化し、現在の自動運転システムが対処に苦慮しているコーナーケースを作成するように設計されている。
実験結果から, 現実的な駆動画像を効率よく生成できることが示唆された。
我々は,UniADやVADといったエンド・ツー・エンド・エンド・モデルの評価を通じて,本プラットフォームがコーナーケースにおけるテストモデルの性能劣化を評価することを実証した。
この結果は、このプラットフォームがモデルの潜在的な問題を効果的に検出し、エンド・ツー・エンドの自動運転の安全性と堅牢性を促進することを示唆している。
関連論文リスト
- A Digital Twin Framework for Metamorphic Testing of Autonomous Driving Systems Using Generative Model [5.424069096422898]
本稿では,デジタルツイン駆動メタモルフィックテストフレームワークを提案する。
私たちは、自動運転システムとその運用環境の仮想レプリカを作成します。
デジタルツイン技術と、安定拡散のようなAIに基づく画像生成モデルを組み合わせることで、本手法は現実的な運転シーンを体系的に生成することを可能にする。
論文 参考訳（メタデータ） (2025-10-08T15:27:39Z) - 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) - RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。
実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。
RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
論文 参考訳（メタデータ） (2025-05-22T17:01:00Z) - Safety-Critical Traffic Simulation with Guided Latent Diffusion Model [8.011306318131458]
安全クリティカルな交通シミュレーションは、自動運転システムを評価する上で重要な役割を果たす。
本稿では,物理的に現実的で逆向きなシナリオを生成可能なガイド付き潜時拡散モデル(LDM)を提案する。
我々の研究は、現実的な安全クリティカルなシナリオシミュレーションのための効果的なツールを提供し、自律運転システムのより堅牢な評価の道を開く。
論文 参考訳（メタデータ） (2025-05-01T13:33:34Z) - Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions [11.633051537198687]
IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。
IntSimは、現実的な安全クリティカルなシナリオをシミュレートして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） (2025-03-07T06:59:27Z) - Dream to Drive with Predictive Individual World Model [12.05377034777257]
本稿では,自律運転のための予測的個別世界モデル(PIWM)を用いたモデルベース強化学習(MBRL)手法を提案する。
PIWMは、運転環境を個人レベルで記述し、車両の対話的関係と意図を捉える。
PIWMの想像力で訓練され、意図を意識した潜伏状態を活用する都市運転シーンで効果的にナビゲートする。
論文 参考訳（メタデータ） (2025-01-28T06:18:29Z) - Exploring the Interplay Between Video Generation and World Models in Autonomous Driving: A Survey [61.39993881402787]
世界モデルとビデオ生成は、自動運転の領域において重要な技術である。
本稿では,この2つの技術の関係について検討する。
映像生成モデルと世界モデルとの相互作用を分析することにより,重要な課題と今後の研究方向性を明らかにする。
論文 参考訳（メタデータ） (2024-11-05T08:58:35Z) - 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) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z)
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。