論文の概要: Not All Agents Matter: From Global Attention Dilution to Risk-Prioritized Game Planning
- arxiv url: http://arxiv.org/abs/2604.05449v1
- Date: Tue, 07 Apr 2026 05:33:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.641094
- Title: Not All Agents Matter: From Global Attention Dilution to Risk-Prioritized Game Planning
- Title（参考訳）: すべてのエージェントが重要ではない:グローバルアテンションの希釈からリスク保護型ゲームプランニングまで
- Authors: Kang Ding, Hongsong Wang, Jie Gui, Lei He,
- Abstract要約: リスク対応ゲームプランニングの概念を導入し,リスク対応ゲーム問題としてエンド・ツー・エンドの自律運転をモデル化する新しいフレームワークであるGameADを提案する。
また、安全な自動運転のための長い地平線上での計画軌道の累積リスク強度を定量化する計画リスク露光指標を提案する。
- 参考スコア（独自算出の注目度）: 25.76823959882692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end autonomous driving resides not in the integration of perception and planning, but rather in the dynamic multi-agent game within a unified representation space. Most existing end-to-end models treat all agents equally, hindering the decoupling of real collision threats from complex backgrounds. To address this issue, We introduce the concept of Risk-Prioritized Game Planning, and propose GameAD, a novel framework that models end-to-end autonomous driving as a risk-aware game problem. The GameAD integrates Risk-Aware Topology Anchoring, Strategic Payload Adapter, Minimax Risk-Aware Sparse Attention, and Risk Consistent Equilibrium Stabilization to enable game theoretic decision making with risk prioritized interactions. We also present the Planning Risk Exposure metric, which quantifies the cumulative risk intensity of planned trajectories over a long horizon for safe autonomous driving. Extensive experiments on the nuScenes and Bench2Drive datasets show that our approach significantly outperforms state-of-the-art methods, especially in terms of trajectory safety.
- Abstract（参考訳）: エンドツーエンドの自律運転は、知覚と計画の統合ではなく、統合された表現空間内の動的マルチエージェントゲームの中に存在する。
既存のほとんどのエンド・ツー・エンドモデルは全てのエージェントを平等に扱い、複雑な背景から実際の衝突脅威を分離するのを妨げている。
この問題に対処するため,リスク対応ゲームプランニングの概念を導入し,リスク対応ゲーム問題としてエンド・ツー・エンドの自律運転をモデル化する新しいフレームワークであるGameADを提案する。
GameADはリスク対応トポロジアンコリング、ストラテジックペイロードアダプタ、ミニマックスリスク対応スパースアテンダ、リスク一貫性平衡安定化を統合し、リスク優先順位付けされたインタラクションによるゲーム理論決定を可能にする。
また、安全な自動運転のための長い地平線上での計画軌道の累積リスク強度を定量化する計画リスク露光指標を提案する。
nuScenesとBench2Driveデータセットの大規模な実験により、私たちのアプローチは、特に軌道安全の観点から、最先端の手法を著しく上回ります。
関連論文リスト
- ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving [63.980630608984605]
本稿では、ゼロサムマルコフゲームとして、駆動ポリシー(ディフェンダー)と敵エージェント(アタックラー)の相互作用を扱うクローズドループのmin-max最適化フレームワークであるADV-0を提案する。
これを実現するため,我々は動的敵の進化を反復的な選好学習とし,この最適性を効率的に近似し,アルゴリズムに依存しない解をゲームに提供する。
実験により、多様な安全クリティカルな障害を効果的に露呈し、学習方針と運動プランナーの両方の一般化可能性を大幅に向上させることが示されている。
論文 参考訳（メタデータ） (2026-03-16T12:58:31Z) - Risk-Controllable Multi-View Diffusion for Driving Scenario Generation [25.426382365795444]
長期の危険状況は現実世界のデータではほとんど見られず、手動のシナリオ設計では特定が困難である。
RiskMV-DPOは、物理的にインフォームドされ、リスク制御可能なマルチビューシナリオ生成のための汎用的で体系的なパイプラインである。
実験により、リスクMV-DPOは、最先端の視覚的品質を維持しながら、多様なロングテールシナリオを自由に生成できることが示されている。
論文 参考訳（メタデータ） (2026-03-12T04:44:12Z) - Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving [20.663269212781426]
本稿では,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。
トレーニング中に、改良されたドライバリスクフィールドと動的コストモデルを組み合わせて、高品質なリスク監視信号を生成する。
推論中は、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を避ける。
論文 参考訳（メタデータ） (2026-03-07T13:24:23Z) - Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
「専門家のように運転するのが普通」は限定的な一般化に苦しむ。
E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか?
本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-26T17:32:30Z) - Frontier AI Risk Management Framework in Practice: A Risk Analysis Technical Report v1.5 [61.787178868669265]
この技術レポートは、サイバー犯罪、説得と操作、戦略上の詐欺、制御されていないAIR&D、自己複製の5つの重要な側面について、更新されきめ細かな評価を提示する。
この作業は、現在のAIフロンティアのリスクに対する理解を反映し、これらの課題を軽減するための集団行動を促します。
論文 参考訳（メタデータ） (2026-02-16T04:30:06Z) - Adversarial Generation and Collaborative Evolution of Safety-Critical Scenarios for Autonomous Vehicles [47.25901323750217]
シミュレーションにおける安全クリティカルシナリオの生成は、社会に道路が配備される以前、自動運転車の安全性評価においてますます重要になっている。
我々は,新たなシナリオを推論し,複雑なトラフィックフローでそれらを増幅することにより,多彩な安全クリティカルシナリオを生成できるフレームワークであるScenGEを提案する。
実世界の車両テストと人間による評価を通じて、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2025-08-20T08:36:57Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
RiskNetは自動運転車のリスク予測フレームワークである。
決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。
リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
論文 参考訳（メタデータ） (2025-04-22T02:36:54Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - RCP-RF: A Comprehensive Road-car-pedestrian Risk Management Framework
based on Driving Risk Potential Field [1.625213292350038]
本研究では,コネクテッド・アンド・オートマチック・ビークル(CAV)環境下での電位場理論に基づく総合運転リスク管理フレームワークRCP-RFを提案する。
既存のアルゴリズムと異なり,エゴ車と障害物車と歩行者係数の移動傾向は,提案手法において正当に考慮されている。
実世界のデータセットNGSIMおよび実AVプラットフォーム上での最先端手法に対する提案手法の優位性を検証する実証的研究を行った。
論文 参考訳（メタデータ） (2023-05-04T01:54:37Z) - I Know You Can't See Me: Dynamic Occlusion-Aware Safety Validation of
Strategic Planners for Autonomous Vehicles Using Hypergames [12.244501203346566]
我々は,状況リスクを評価するための,新しいマルチエージェント動的閉塞リスク尺度を開発した。
AVにおける戦略的プランナーの安全性を評価するための,ホワイトボックス,シナリオベース,アクセラレーション型安全検証フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-20T19:38:14Z)
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。