論文の概要: ScenicRules: An Autonomous Driving Benchmark with Multi-Objective Specifications and Abstract Scenarios

• arxiv url: http://arxiv.org/abs/2602.16073v1
• Date: Tue, 17 Feb 2026 22:57:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.462764
• Title: ScenicRules: An Autonomous Driving Benchmark with Multi-Objective Specifications and Abstract Scenarios
• Title（参考訳）: ScenicRules: 多目的仕様と抽象化シナリオを備えた自動駆動ベンチマーク
• Authors: Kevin Kai-Chun Chang, Ekin Beyazit, Alberto Sangiovanni-Vincentelli, Tichakorn Wongpiromsarn, Sanjit A. Seshia,
• Abstract要約: 自律運転システム評価のためのベンチマークであるScenicRulesを紹介する。 まず、定量評価指標として機能するために、様々な目的を定式化します。 次に、様々な運転状況とほぼ事故状況にまたがるシナリオのコンパクトで代表的なコレクションを構築します。
• 参考スコア（独自算出の注目度）: 4.139042737793025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing autonomous driving systems for complex traffic environments requires balancing multiple objectives, such as avoiding collisions, obeying traffic rules, and making efficient progress. In many situations, these objectives cannot be satisfied simultaneously, and explicit priority relations naturally arise. Also, driving rules require context, so it is important to formally model the environment scenarios within which such rules apply. Existing benchmarks for evaluating autonomous vehicles lack such combinations of multi-objective prioritized rules and formal environment models. In this work, we introduce ScenicRules, a benchmark for evaluating autonomous driving systems in stochastic environments under prioritized multi-objective specifications. We first formalize a diverse set of objectives to serve as quantitative evaluation metrics. Next, we design a Hierarchical Rulebook framework that encodes multiple objectives and their priority relations in an interpretable and adaptable manner. We then construct a compact yet representative collection of scenarios spanning diverse driving contexts and near-accident situations, formally modeled in the Scenic language. Experimental results show that our formalized objectives and Hierarchical Rulebooks align well with human driving judgments and that our benchmark effectively exposes agent failures with respect to the prioritized objectives. Our benchmark can be accessed at https://github.com/BerkeleyLearnVerify/ScenicRules/.
• Abstract（参考訳）: 複雑な交通環境のための自律運転システムの開発には、衝突を避けること、交通規則に従うこと、効率的な進捗を行うことなど、複数の目的のバランスが必要である。 多くの場合、これらの目的を同時に満たすことはできず、明示的な優先関係が自然に生じる。 また、ルールの駆動にはコンテキストが必要であるため、そのようなルールが適用される環境シナリオを形式的にモデル化することが重要である。 既存の自動運転車評価ベンチマークでは、多目的優先ルールと形式的環境モデルの組み合わせが欠落している。 本研究では,マルチオブジェクト仕様下での確率環境における自律走行システム評価のベンチマークであるScenicRulesを紹介する。 まず、定量評価指標として機能するために、様々な目的を定式化します。 次に、複数の目的と優先度関係を解釈可能かつ適応可能な方法で符号化する階層型ルールブックフレームワークを設計する。 次に,シナリオのコンパクトかつ代表的なコレクションを構築し,様々な運転状況と,シナリオ言語で形式的にモデル化された事故に近い状況にまたがる。 実験の結果, 定式化された目的と階層的ルールブックは人間の運転判断とよく一致し, 優先順位付けされた目的に対して, エージェントの故障を効果的に露呈することがわかった。 私たちのベンチマークはhttps://github.com/BerkeleyLearnVerify/ScenicRules/でアクセスできます。

関連論文リスト

• DriveCritic: Towards Context-Aware, Human-Aligned Evaluation for Autonomous Driving with Vision-Language Models [24.168614747778538]
  DriveCriticは、2つの重要なコントリビューションを特徴とする新しいフレームワークです。 データセットは、コンテキストが正しい判断に不可欠である、困難なシナリオのキュレートされたコレクションである。 DriveCriticモデルは、視覚的コンテキストとシンボル的コンテキストを統合することで、軌跡ペア間の調整を学ぶ。
  論文  参考訳（メタデータ） (2025-10-15T03:00:38Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• DRIVE: Dynamic Rule Inference and Verified Evaluation for Constraint-Aware Autonomous Driving [37.24058519921229]
  本稿では,動的ルール推論と検証評価のための新しいフレームワークDRIVEを紹介する。 D DRIVEは、ソフト制約違反率0.0%、スムーズな軌道、様々な運転シナリオにおけるより強力な一般化を実現している。 検証された評価は、現実世界のデプロイメントにおけるフレームワークの効率性、説明可能性、堅牢性をさらに示す。
  論文  参考訳（メタデータ） (2025-08-06T03:56:06Z)
• A Framework for Learning Scoring Rules in Autonomous Driving Planning Systems [2.4578723416255754]
  FLoRAは、時間論理で表される解釈可能なスコアリングルールを学ぶフレームワークである。 本手法は,学習データに肯定的な例しか含まれていないにもかかわらず,運転行動の評価を効果的に学習する。 クローズドループ計画シミュレーションの評価は、学習したスコアリングルールが既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-17T02:06:57Z)
• CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory Prediction Models for Autonomous Driving [6.868387710209245]
  我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。 提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
  論文  参考訳（メタデータ） (2023-10-11T18:28:15Z)
• Planning-oriented Autonomous Driving [60.93767791255728]
  我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。 フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
  論文  参考訳（メタデータ） (2022-12-20T10:47:53Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Diverse and Admissible Trajectory Forecasting through Multimodal Context Understanding [46.52703817997932]
  自律走行におけるマルチエージェント軌道予測には、周囲の車両や歩行者の挙動を正確に予測するエージェントが必要である。 マルチモーダル世界から複数の入力信号を合成するモデルを提案する。 従来の最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-06T13:59:39Z)

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。