論文の概要: CounterScene: Counterfactual Causal Reasoning in Generative World Models for Safety-Critical Closed-Loop Evaluation

• arxiv url: http://arxiv.org/abs/2603.21104v1
• Date: Sun, 22 Mar 2026 07:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.240023
• Title: CounterScene: Counterfactual Causal Reasoning in Generative World Models for Safety-Critical Closed-Loop Evaluation
• Title（参考訳）: 安全クリティカルクローズドループ評価のためのジェネレーティブワールドモデルにおける反現実的因果推論
• Authors: Bowen Jing, Ruiyang Hao, Weitao Zhou, Haibao Yu,
• Abstract要約: 提案するフレームワークであるCounterSceneは, 閉ループ生成型BEV世界モデルと, 構造的対実的推論を併用したフレームワークである。 もし因果的に重要なエージェントが違った振る舞いをしたとしたら?
• 参考スコア（独自算出の注目度）: 13.435126546417516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating safety-critical driving scenarios requires understanding why dangerous interactions arise, rather than merely forcing collisions. However, existing methods rely on heuristic adversarial agent selection and unstructured perturbations, lacking explicit modeling of interaction dependencies and thus exhibiting a realism--adversarial trade-off. We present CounterScene, a framework that endows closed-loop generative BEV world models with structured counterfactual reasoning for safety-critical scenario generation. Given a safe scene, CounterScene asks: what if the causally critical agent had behaved differently? To answer this, we introduce causal adversarial agent identification to identify the critical agent and classify conflict types, and develop a conflict-aware interactive world model in which a causal interaction graph is used to explicitly model dynamic inter-agent dependencies. Building on this structure, stage-adaptive counterfactual guidance performs minimal interventions on the identified agent, removing its spatial and temporal safety margins while allowing risk to emerge through natural interaction propagation. Extensive experiments on nuScenes demonstrate that CounterScene achieves the strongest adversarial effectiveness while maintaining superior trajectory realism across all horizons, improving long-horizon collision rate from 12.3% to 22.7% over the strongest baseline with better realism (ADE 1.88 vs.2.09). Notably, this advantage further widens over longer rollouts, and CounterScene generalizes zero-shot to nuPlan with state-of-the-art realism.
• Abstract（参考訳）: 安全クリティカルな運転シナリオを生成するには、単に衝突を強制するのではなく、なぜ危険な相互作用が起こるのかを理解する必要がある。 しかし、既存の手法は、ヒューリスティックな敵エージェントの選択と非構造的摂動に依存し、相互作用依存の明示的なモデリングを欠いているため、現実主義的な対外的トレードオフを示す。 我々は,安全クリティカルシナリオ生成のための構造的反実的推論を備えた閉ループ生成型BEV世界モデルを実現するフレームワークであるCounterSceneを提案する。 もし因果的に重要なエージェントが違った振る舞いをしたとしたら? そこで本研究では,批判エージェントを識別し,競合タイプを分類するために因果逆エージェント識別を導入し,因果相互作用グラフを用いて動的エージェント間依存関係を明示的にモデル化する競合認識対話型世界モデルを構築した。 この構造に基づいて、段階適応的なカウンターファクトガイダンスは、特定されたエージェントに対する最小限の介入を行い、その空間的および時間的安全マージンを除去し、自然な相互作用の伝播を通じてリスクを発生させる。 nuScenesの大規模な実験により、CounterSceneはあらゆる地平線を横断する優れた軌道状リアリズムを維持しつつ、最強のベースライン(ADE 1.88 vs.2.09)で12.3%から22.7%の長い水平衝突速度を向上しながら、最も強い対向効果を達成することが示されている(ADE 1.88 vs.2.09)。 この利点はより長いロールアウトよりもさらに大きくなり、CounterSceneはゼロショットを最先端のリアリズムでnuPlanに一般化する。

関連論文リスト

• Self-Guard: Defending Large Reasoning Models via enhanced self-reflection [54.775612141528164]
  Self-Guardは、大規模推論モデルのための軽量な安全防御フレームワークである。 これは認識とコンプライアンスのギャップを埋め、モデルユーティリティを損なうことなく堅牢な安全性能を達成する。 セルフガードは、さまざまな未知のリスクとさまざまなモデルスケールにまたがる強力な一般化を示す。
  論文  参考訳（メタデータ） (2026-01-31T13:06:11Z)
• Epistemic Traps: Rational Misalignment Driven by Model Misspecification [36.837352790122544]
  安全性は,報酬等級の連続関数ではなく,エージェントの先行処理によって決定される離散位相であることを示す。 これにより、ロバストなアライメントに必要な条件として、主観的モデルエンジニアリングが確立される。
  論文  参考訳（メタデータ） (2026-01-27T09:21:36Z)
• The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
  LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。 本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。 標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-21T15:22:21Z)
• Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
  本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。 CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。 提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
  論文  参考訳（メタデータ） (2026-01-05T05:20:16Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• A Trajectory Generator for High-Density Traffic and Diverse Agent-Interaction Scenarios [37.38654549322757]
  本稿では,シナリオ密度を同時に向上し,行動多様性を向上する新しい軌道生成フレームワークを提案する。 本手法は,動作リアリズムとシナリオレベルの安全性を保ちながら,エージェント密度と行動の多様性を著しく改善する。 我々の合成データは下流軌道予測モデルにも有効であり、高密度シナリオに挑戦する際の性能を向上させる。
  論文  参考訳（メタデータ） (2025-10-03T00:12:18Z)
• 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)

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。