論文の概要: ARISE - Adaptive Refinement and Iterative Scenario Engineering

• arxiv url: http://arxiv.org/abs/2601.14743v1
• Date: Wed, 21 Jan 2026 07:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.286468
• Title: ARISE - Adaptive Refinement and Iterative Scenario Engineering
• Title（参考訳）: ARISE - 適応的なリファインメントと反復シナリオエンジニアリング
• Authors: Konstantin Poddubnyy, Igor Vozniak, Nils Lipp, Ivan Burmistrov, Davit Hovhannisyan, Christian Mueller, Philipp Slusallek,
• Abstract要約: ARISE - Adaptive Refinement and Iterative Scenario Engineeringを紹介する。 自然言語のプロンプトをScenicスクリプトに変換する。 ARISEはセマンティックに正確で実行可能なトラフィックシナリオを生成する上で、ベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 6.001986980495572
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The effectiveness of collision-free trajectory planners depends on the quality and diversity of training data, especially for rare scenarios. A widely used approach to improve dataset diversity involves generating realistic synthetic traffic scenarios. However, producing such scenarios remains difficult due to the precision required when scripting them manually or generating them in a single pass. Natural language offers a flexible way to describe scenarios, but existing text-to-simulation pipelines often rely on static snippet retrieval, limited grammar, single-pass decoding, or lack robust executability checks. Moreover, they depend heavily on constrained LLM prompting with minimal post-processing. To address these limitations, we introduce ARISE - Adaptive Refinement and Iterative Scenario Engineering, a multi-stage tool that converts natural language prompts into executable Scenic scripts through iterative LLM-guided refinement. After each generation, ARISE tests script executability in simulation software, feeding structured diagnostics back to the LLM until both syntactic and functional requirements are met. This process significantly reduces the need for manual intervention. Through extensive evaluation, ARISE outperforms the baseline in generating semantically accurate and executable traffic scenarios with greater reliability and robustness.
• Abstract（参考訳）: 衝突のない軌道プランナーの有効性は、特に稀なシナリオにおいて、トレーニングデータの質と多様性に依存する。 データセットの多様性を改善するために広く使用されるアプローチは、現実的な合成トラフィックシナリオを生成することである。 しかし、手動でスクリプティングしたり、1回のパスで生成する際に必要となる正確さのため、このようなシナリオの作成は依然として困難である。 自然言語はシナリオを記述する柔軟な方法を提供するが、既存のテキストとシミュレーションのパイプラインは静的スニペット検索、限定文法、シングルパスデコーディング、堅牢な実行可能性チェックの欠如などに依存していることが多い。 さらに、制約付きLLMに大きく依存しており、後処理は最小限である。 これらの制限に対処するため、ARISE - Adaptive Refinement and Iterative Scenario Engineeringを導入します。 各世代の後、ARISEはシミュレーションソフトウェアでスクリプト実行可能性のテストを行い、構文的および機能的要件が満たされるまで、構造化診断をLSMにフィードバックする。 このプロセスは、手作業による介入の必要性を大幅に減らす。 広範囲な評価を通じて、ARISEは、より信頼性と堅牢性の高いセマンティックな正確かつ実行可能なトラフィックシナリオを生成する上で、ベースラインよりも優れています。

関連論文リスト

• Adaptive Dependency-aware Prompt Optimization Framework for Multi-Step LLM Pipeline [9.013236765328301]
  我々は,多段階LLMパイプラインのための適応依存型プロンプト最適化フレームワークであるADOPTを提案する。 ADOPTは、各LCMステップと最終タスク結果の依存関係を明示的にモデル化し、正確なテキスト勾配推定を可能にする。 実世界のデータセットと多様なパイプライン構造の実験は、ADOPTが効果的で堅牢であることを示している。
  論文  参考訳（メタデータ） (2025-12-31T15:46:37Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• ContextNav: Towards Agentic Multimodal In-Context Learning [85.05420047017513]
  ContextNavは、自動検索のスケーラビリティと人間のようなキュレーションの品質と適応性を統合するエージェントフレームワークである。 リソースを意識したマルチモーダル埋め込みパイプラインを構築し、検索可能なベクトルデータベースを維持し、エージェント検索と構造アライメントを適用して、ノイズ耐性のあるコンテキストを構築する。 実験の結果、ContextNavはさまざまなデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-06T07:49:52Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• Efficient and Adaptive Simultaneous Speech Translation with Fully Unidirectional Architecture [14.056534007451763]
  同時音声翻訳(SimulST)は、部分的な音声入力を処理しながら段階的に翻訳を生成する。 既存のLLMベースのSimulSTアプローチは、双方向音声エンコーダの繰り返し符号化による計算オーバーヘッドが大きい。 完全一方向アーキテクチャを用いた効率・適応同時音声翻訳(EASiST)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T06:46:15Z)
• Text2Scenario: Text-Driven Scenario Generation for Autonomous Driving Test [15.601818101020996]
  Text2Scenarioは、ユーザー仕様と密接に一致したシミュレーションテストシナリオを自律的に生成するフレームワークである。 結果は、手動のシナリオ構成に必要な労力を伴わない、多様なADスタックの効率的かつ正確な評価である。
  論文  参考訳（メタデータ） (2025-03-04T07:20:25Z)
• LLM-AutoDiff: Auto-Differentiate Any LLM Workflow [58.56731133392544]
  自動プロンプト工学(APE)のための新しいフレームワーク LLM-AutoDiff について紹介する。 LLMs-AutoDiffは、各テキスト入力をトレーニング可能なパラメータとして扱い、フリーズした後方エンジンを使用して、テキスト勾配に対するフィードバック・アキンを生成する。 精度とトレーニングコストの両方において、既存のテキスト勾配ベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-01-28T03:18:48Z)
• Near-optimal Policy Identification in Active Reinforcement Learning [84.27592560211909]
  AE-LSVI はカーネル化された最小二乗値 RL (LSVI) アルゴリズムの新しい変種であり、楽観主義と悲観主義を組み合わせて活発な探索を行う。 AE-LSVIは初期状態に対するロバスト性が必要な場合、様々な環境で他のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-19T14:46:57Z)

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。