論文の概要: ROMAN: Reward-Orchestrated Multi-Head Attention Network for Autonomous Driving System Testing

• arxiv url: http://arxiv.org/abs/2602.05629v1
• Date: Thu, 05 Feb 2026 13:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.935544
• Title: ROMAN: Reward-Orchestrated Multi-Head Attention Network for Autonomous Driving System Testing
• Title（参考訳）: ROMAN: 自律運転システムテストのための逆整合型マルチヘッドアテンションネットワーク
• Authors: Jianlei Chi, Yuzhen Wu, Jiaxuan Hou, Xiaodong Zhang, Ming Fan, Suhui Sun, Weijun Dai, Bo Li, Jianguo Sun, Jun Sun,
• Abstract要約: ADS(Automated Driving System)は自動運転車の頭脳として機能し、安全性と効率を担っている。 現在のテストアプローチでは,複雑でリスクの高い法律違反シナリオを生成する能力の制限という,課題に直面している。 本稿では,マルチヘッドアテンションネットワークと交通法重み付け機構を組み合わせたADSテストのシナリオ生成手法であるROMANを提案する。
• 参考スコア（独自算出の注目度）: 8.899903216053035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Driving System (ADS) acts as the brain of autonomous vehicles, responsible for their safety and efficiency. Safe deployment requires thorough testing in diverse real-world scenarios and compliance with traffic laws like speed limits, signal obedience, and right-of-way rules. Violations like running red lights or speeding pose severe safety risks. However, current testing approaches face significant challenges: limited ability to generate complex and high-risk law-breaking scenarios, and failing to account for complex interactions involving multiple vehicles and critical situations. To address these challenges, we propose ROMAN, a novel scenario generation approach for ADS testing that combines a multi-head attention network with a traffic law weighting mechanism. ROMAN is designed to generate high-risk violation scenarios to enable more thorough and targeted ADS evaluation. The multi-head attention mechanism models interactions among vehicles, traffic signals, and other factors. The traffic law weighting mechanism implements a workflow that leverages an LLM-based risk weighting module to evaluate violations based on the two dimensions of severity and occurrence. We have evaluated ROMAN by testing the Baidu Apollo ADS within the CARLA simulation platform and conducting extensive experiments to measure its performance. Experimental results demonstrate that ROMAN surpassed state-of-the-art tools ABLE and LawBreaker by achieving 7.91% higher average violation count than ABLE and 55.96% higher than LawBreaker, while also maintaining greater scenario diversity. In addition, only ROMAN successfully generated violation scenarios for every clause of the input traffic laws, enabling it to identify more high-risk violations than existing approaches.
• Abstract（参考訳）: ADS(Automated Driving System)は自動運転車の頭脳として機能し、安全性と効率を担っている。 安全なデプロイメントには、さまざまな現実シナリオでの徹底的なテストと、速度制限や信号の従順性、右翼ルールといった交通法則の遵守が必要です。 赤信号の運転やスピード違反などの違反は、深刻な安全リスクを引き起こす。 しかしながら、現在のテストアプローチでは、複雑でリスクの高い法律違反シナリオを生成する能力の制限や、複数の車両と重要な状況を含む複雑なインタラクションの考慮の欠如など、大きな課題に直面している。 これらの課題に対処するために,マルチヘッドアテンションネットワークと交通法重み付け機構を組み合わせた,ADSテストの新しいシナリオ生成手法であるROMANを提案する。 ROMANはリスクの高い違反シナリオを生成して、より徹底的でターゲットとしたADS評価を可能にするように設計されている。 マルチヘッドアテンションメカニズムは、車両、信号、その他の要因間の相互作用をモデル化する。 交通法重み付け機構は、LSMベースのリスク重み付けモジュールを利用して、重み付けと発生の2次元に基づいて違反を評価するワークフローを実装している。 我々は、CARLAシミュレーションプラットフォーム内でBaidu Apollo ADSを試験し、その性能を測定するための広範な実験を行うことでROMANを評価した。 実験の結果、ROMANはABLEやLawBreakerよりも平均違反回数が7.91%高く、LawBreakerよりも55.96%高く、またシナリオの多様性も高いことが示されている。 さらに、ROMANのみが入力トラフィック法の各条項の違反シナリオをうまく生成し、既存のアプローチよりもリスクの高い違反を特定できるようになった。

関連論文リスト

• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models [39.139025989575686]
  本稿では,安全クリティカルな運転シナリオを生成するための大規模言語モデル (LLM) フレームワークについて紹介する。 本モデルでは, 平均最小衝突時間を1.62秒から1.08秒に短縮し, 75%の衝突速度でベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-05-02T03:22:00Z)
• 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)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• MARL-OT: Multi-Agent Reinforcement Learning Guided Online Fuzzing to Detect Safety Violation in Autonomous Driving Systems [1.1677228160050082]
  本稿では、MARLを利用して自律運転システム(ADS)の安全違反を検出するスケーラブルなフレームワークであるMARL-OTを紹介する。 MARL-OTは、高レベルのガイダンスにMARLを採用しており、ルールベースのオンラインファジィザがADSの潜在的な安全違反を調査するために、様々な危険なシナリオを引き起こしている。 本手法は,最新技術(SOTA)試験法と比較して,検出された安全違反率を最大136.2%向上させる。
  論文  参考訳（メタデータ） (2025-01-24T12:34:04Z)
• Black-Box Adversarial Attack on Vision Language Models for Autonomous Driving [65.61999354218628]
  我々は、自律運転システムにおいて、視覚言語モデル(VLM)をターゲットとしたブラックボックス敵攻撃を設計する第一歩を踏み出す。 セマンティクスの生成と注入による低レベル推論の分解を目標とするカスケーディング・アディバーショナル・ディスラプション(CAD)を提案する。 本稿では,高レベルリスクシナリオの理解と構築に代理VLMを活用することで,動的適応に対処するリスクシーンインジェクションを提案する。
  論文  参考訳（メタデータ） (2025-01-23T11:10:02Z)
• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• LMM-enhanced Safety-Critical Scenario Generation for Autonomous Driving System Testing From Non-Accident Traffic Videos [22.638869562921133]
  自律運転システムにとって、さまざまな安全クリティカルなテストシナリオを生成することが最重要である。 事故のない現実のシナリオの中には、ADSの誤動作を引き起こすだけでなく、ADS違反の発生にも活用できるものもある。 通常の交通シナリオからADSの安全違反を発見することが重要である。
  論文  参考訳（メタデータ） (2024-06-16T09:05:56Z)
• REDriver: Runtime Enforcement for Autonomous Vehicles [6.97499033700151]
  本稿では,自律運転システムの実行時適用に対する汎用的かつモジュール的なアプローチであるREDriverを提案する。 ReDriverは、STLの定量的セマンティクスに基づいて、ADSの計画された軌道を監視する。 仕様に違反する可能性がある場合に、勾配駆動のアルゴリズムを使って軌道を修復する。
  論文  参考訳（メタデータ） (2024-01-04T13:08:38Z)

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。