論文の概要: Realistic adversarial scenario generation via human-like pedestrian model for autonomous vehicle control parameter optimisation

• arxiv url: http://arxiv.org/abs/2601.02082v2
• Date: Wed, 04 Feb 2026 14:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.637276
• Title: Realistic adversarial scenario generation via human-like pedestrian model for autonomous vehicle control parameter optimisation
• Title（参考訳）: 自動運転車制御パラメータ最適化のための人型歩行者モデルによる現実的対向シナリオ生成
• Authors: Yueyang Wang, Mehmet Dogar, Russell Darling, Gustav Markkula,
• Abstract要約: 公道での直接テストは、稀だが重要な相互作用に対して費用がかかり、安全ではない。 シミュレーションベースのテストでは、安全限界を探索するために敵シナリオが広く使用されている。 本稿では,認知にインスパイアされた歩行者モデルを用いた代替手法を提案する。
• 参考スコア（独自算出の注目度）: 3.1203011162495997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles (AVs) are rapidly advancing and are expected to play a central role in future mobility. Ensuring their safe deployment requires reliable interaction with other road users, not least pedestrians. Direct testing on public roads is costly and unsafe for rare but critical interactions, making simulation a practical alternative. Within simulation-based testing, adversarial scenarios are widely used to probe safety limits, but many prioritise difficulty over realism, producing exaggerated behaviours which may result in AV controllers that are overly conservative. We propose an alternative method, instead using a cognitively inspired pedestrian model featuring both inter-individual and intra-individual variability to generate behaviourally plausible adversarial scenarios. We provide a proof of concept demonstration of this method's potential for AV control optimisation, in closed-loop testing and tuning of an AV controller. Our results show that replacing the rule-based CARLA pedestrian with the human-like model yields more realistic gap acceptance patterns and smoother vehicle decelerations. Unsafe interactions occur only for certain pedestrian individuals and conditions, underscoring the importance of human variability in AV testing. Adversarial scenarios generated by this model can be used to optimise AV control towards safer and more efficient behaviour. Overall, this work illustrates how incorporating human-like road user models into simulation-based adversarial testing can enhance the credibility of AV evaluation and provide a practical basis to behaviourally informed controller optimisation.
• Abstract（参考訳）: 自動運転車(AV)は急速に進歩しており、将来の移動において中心的な役割を果たすことが期待されている。 安全な配置を保証するには、少なくとも歩行者など他の道路利用者との信頼性の高い対話が必要である。 公道での直接テストは、稀だが重要な相互作用に対して費用がかかり、安全ではないため、シミュレーションが現実的な代替手段となる。 シミュレーションベースのテストでは、敵のシナリオは安全性の限界を探索するために広く使用されているが、現実主義よりも多くの優先順位付けが困難であり、過度に保守的なAVコントローラをもたらす可能性のある誇張された振る舞いを生み出している。 そこで本研究では,個人間および個人間の変動を特徴とする認知型歩行者モデルを用いて,行動学的に妥当な逆方向のシナリオを生成する方法を提案する。 本稿では,AVコントローラのクローズドループテストおよびチューニングにおいて,この手法のAV制御最適化の可能性の実証を行う。 その結果、ルールに基づくCARLA歩行者を人間のようなモデルに置き換えることで、より現実的なギャップ受容パターンとよりスムーズな車両減速が得られることがわかった。 安全でない相互作用は、特定の歩行者の個人や状況に対してのみ起こり、AVテストにおける人間の多様性の重要性が強調される。 このモデルによって生成された敵シナリオは、より安全で効率的な行動に向けてAV制御を最適化するために使用することができる。 本研究は,人型道路ユーザモデルをシミュレーションに基づく対人テストに組み込むことで,AV評価の信頼性を高め,行動情報による制御の最適化を実現するための実践的基盤を提供する。

関連論文リスト

• 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)
• 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)
• Test Automation for Interactive Scenarios via Promptable Traffic Simulation [48.240394447516664]
  本稿では,対話型シナリオにおけるAVプランナ評価のための,現実的かつ安全クリティカルな人間の行動を生成する自動化手法を提案する。 我々は低次元目標位置を用いて複雑な人間の行動のパラメータ化を行い、それをプロンプト可能な交通シミュレータProSimに入力する。 テスト生成を自動化するために,目標領域を探索し,ベイズ最適化を用いて安全クリティカルな動作を効率的に識別するプロンプト生成モジュールを導入する。
  論文  参考訳（メタデータ） (2025-06-01T22:29:32Z)
• Generating Critical Scenarios for Testing Automated Driving Systems [5.975915967339764]
  AVASTRAは、自律運転システムをテストするための現実的な重要なシナリオを生成するための強化学習ベースのアプローチである。 その結果、AVASTRAは、30%から115%の衝突シナリオを発生させることで、最先端のアプローチを上回る能力を示している。
  論文  参考訳（メタデータ） (2024-12-03T16:59:30Z)
• 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)
• Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning [0.3683202928838613]
  検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。 本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
  論文  参考訳（メタデータ） (2020-05-22T19:00:38Z)

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。