論文の概要: AnchorDrive: LLM Scenario Rollout with Anchor-Guided Diffusion Regeneration for Safety-Critical Scenario Generation
- arxiv url: http://arxiv.org/abs/2603.02542v1
- Date: Tue, 03 Mar 2026 02:58:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.609547
- Title: AnchorDrive: LLM Scenario Rollout with Anchor-Guided Diffusion Regeneration for Safety-Critical Scenario Generation
- Title（参考訳）: アンカードライブ:安全臨界シナリオ生成のためのアンカーガイド拡散再生を用いたLCMシナリオロールアウト
- Authors: Zhulin Jiang, Zetao Li, Cheng Wang, Ziwen Wang, Chen Xiong,
- Abstract要約: AnchorDriveは、2段階の安全クリティカルシナリオ生成フレームワークである。
制御可能で現実的な安全クリティカルなシナリオを生成する。
批判性、リアリズム、制御性において、全体的なパフォーマンスに優れています。
- 参考スコア（独自算出の注目度）: 5.21417478446202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving systems require comprehensive evaluation in safety-critical scenarios to ensure safety and robustness. However, such scenarios are rare and difficult to collect from real-world driving data, necessitating simulation-based synthesis. Yet, existing methods often exhibit limitations in both controllability and realism. From a capability perspective, LLMs excel at controllable generation guided by natural language instructions, while diffusion models are better suited for producing trajectories consistent with realistic driving distributions. Leveraging their complementary strengths, we propose AnchorDrive, a two-stage safety-critical scenario generation framework. In the first stage, we deploy an LLM as a driver agent within a closed-loop simulation, which reasons and iteratively outputs control commands under natural language constraints; a plan assessor reviews these commands and provides corrective feedback, enabling semantically controllable scenario generation. In the second stage, the LLM extracts key anchor points from the first-stage trajectories as guidance objectives, which jointly with other guidance terms steer the diffusion model to regenerate complete trajectories with improved realism while preserving user-specified intent. Experiments on the highD dataset demonstrate that AnchorDrive achieves superior overall performance in criticality, realism, and controllability, validating its effectiveness for generating controllable and realistic safety-critical scenarios.
- Abstract（参考訳）: 自律運転システムは安全性と堅牢性を確保するために、安全クリティカルなシナリオの包括的な評価を必要とする。
しかし、そのようなシナリオは現実の運転データから収集することは稀であり、シミュレーションベースの合成を必要とする。
しかし、既存の手法はしばしば可制御性とリアリズムの両方に限界を示す。
機能の観点からは、LLMは自然言語命令で導かれる制御可能な生成に優れ、拡散モデルは現実的な駆動分布と整合した軌道を生成するのに適している。
相補的な強みを生かして、2段階の安全クリティカルシナリオ生成フレームワークであるAnchorDriveを提案する。
最初の段階では、LLMを運転者エージェントとしてデプロイし、自然言語制約下で制御コマンドを反復的に出力し、これらのコマンドをレビューし、修正的なフィードバックを提供し、意味的に制御可能なシナリオ生成を可能にする。
第2段階では、LDMは第1段階の軌跡から鍵アンカーポイントを誘導目的として抽出し、他の誘導用語と共同で拡散モデルを操り、ユーザ特定意図を維持しつつ、改良されたリアリズムで完全な軌跡を再生する。
HighDデータセットの実験では、AnchorDriveは臨界性、リアリズム、制御性において優れた全体的なパフォーマンスを達成し、制御可能で現実的な安全クリティカルなシナリオを生成する効果を検証している。
関連論文リスト
- VLM as Strategist: Adaptive Generation of Safety-critical Testing Scenarios via Guided Diffusion [3.981488921870863]
本稿では,安全クリティカルなテストシナリオ生成フレームワークを提案する。
視覚言語モデル(VLM)の高レベル意味理解機能と適応誘導拡散モデルの微粒化生成機能を統合する。
実験結果から,提案手法は現実的かつ多種多様で,高度にインタラクティブな安全クリティカルテストシナリオを効率的に生成できることが示された。
論文 参考訳（メタデータ） (2025-12-02T14:56:57Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - 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) - LD-Scene: LLM-Guided Diffusion for Controllable Generation of Adversarial Safety-Critical Driving Scenarios [3.6585028071015007]
LD-Sceneは、Large Language Models (LLMs)とLatent Diffusion Models (LDMs)を統合する新しいフレームワークである。
提案手法は,現実的な運転分布をキャプチャするLCMと,ユーザクエリを逆損失関数に変換するLCMベースのガイダンスモジュールを備える。
我々のフレームワークは、敵行動のきめ細かい制御を提供し、特定の運転シナリオに合わせたより効果的なテストを容易にする。
論文 参考訳（メタデータ） (2025-05-16T13:41:05Z) - 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) - 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) - Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。
本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。
我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文 参考訳（メタデータ） (2024-11-25T16:38:17Z) - 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) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳（メタデータ） (2023-11-28T03:13:09Z)
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。