論文の概要: Emergency Lane-Change Simulation: A Behavioral Guidance Approach for Risky Scenario Generation

• arxiv url: http://arxiv.org/abs/2603.20234v1
• Date: Sun, 08 Mar 2026 12:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.924989
• Title: Emergency Lane-Change Simulation: A Behavioral Guidance Approach for Risky Scenario Generation
• Title（参考訳）: 緊急レーン・チェンジシミュレーション:リスクシナリオ生成のための行動誘導アプローチ
• Authors: Chen Xiong, Cheng Wang, Yuhang Liu, Zirui Wu, Ye Tian,
• Abstract要約: 本稿では,高リスクレーン変更シナリオを生成するための行動ガイド手法を提案する。 提案手法は,限られたデータからリスク軌道の挙動を効果的に学習することができる。
• 参考スコア（独自算出の注目度）: 10.706638374537306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contemporary autonomous driving testing, virtual simulation has become an important approach due to its efficiency and cost effectiveness. However, existing methods usually rely on reinforcement learning to generate risky scenarios, making it difficult to efficiently learn realistic emergency behaviors. To address this issue, we propose a behavior guided method for generating high risk lane change scenarios. First, a behavior learning module based on an optimized sequence generative adversarial network is developed to learn emergency lane change behaviors from an extracted dataset. This design alleviates the limitations of existing datasets and improves learning from relatively few samples. Then, the opposing vehicle is modeled as an agent, and the road environment together with surrounding vehicles is incorporated into the operating environment. Based on the Recursive Proximal Policy Optimization strategy, the generated trajectories are used to guide the vehicle toward dangerous behaviors for more effective risk scenario exploration. Finally, the reference trajectory is combined with model predictive control as physical constraints to continuously optimize the strategy and ensure physical authenticity. Experimental results show that the proposed method can effectively learn high risk trajectory behaviors from limited data and generate high risk collision scenarios with better efficiency than traditional methods such as grid search and manual design.
• Abstract（参考訳）: 現代の自動運転テストにおいて、仮想シミュレーションはその効率性とコスト効率のために重要なアプローチとなっている。 しかし、既存の手法は通常、リスクのあるシナリオを生成するために強化学習に依存しており、現実的な緊急行動の学習を効率的に行うことは困難である。 この問題に対処するため,リスクの高い車線変更シナリオを生成するための行動ガイド手法を提案する。 まず、最適化シーケンス生成対向ネットワークに基づく行動学習モジュールを開発し、抽出したデータセットから緊急車線変化の挙動を学習する。 この設計は、既存のデータセットの制限を緩和し、比較的少数のサンプルからの学習を改善する。 そして、相手車両をエージェントとしてモデル化し、その動作環境に周囲車両とともに道路環境を組み込む。 Recursive Proximal Policy Optimization(英語版)戦略に基づいて、生成された軌道は、より効果的なリスクシナリオ探索のために、車両を危険な行動へと導くために使用される。 最後に、参照軌跡を物理制約としてモデル予測制御と組み合わせることで、戦略を継続的に最適化し、物理的信頼性を確保する。 実験の結果,提案手法は,限られたデータから高リスク軌道の挙動を効果的に学習し,グリッド探索や手動設計といった従来の手法よりも効率よく高リスク衝突シナリオを生成できることが示唆された。

関連論文リスト

• RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion [17.46462636610847]
  リスク・ドライビング・環境(RADE)は、統計的に現実的でリスク調整可能な交通シーンを生成するシミュレーション・フレームワークである。 RADEはデータから直接リスク条件の行動を学び、コントロール可能なリスクレベルと自然主義的なマルチエージェントインタラクションを保存する。 RADEを実世界のrounDデータセットで検証し、様々なリスクレベルにわたって統計的リアリズムを保存することを示した。
  論文  参考訳（メタデータ） (2025-05-06T04:41:20Z)
• 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)
• Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
  本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。 本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
  論文  参考訳（メタデータ） (2024-08-06T13:58:56Z)
• 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)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。