論文の概要: Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2605.13751v1
• Date: Wed, 13 May 2026 16:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.179054
• Title: Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles
• Title（参考訳）: 自律走行車テストにおける責任意識の学習
• Authors: Yizhuo Xiao, Haotian Yan, Ying Wang, Zhongpan Zhu, Yuxin Zhang, Xintao Yan, Mustafa Suphi Erden, Cheng Wang,
• Abstract要約: CARS(Context-Aware, Responsibility-attributed Scenario generation)は、責任帰属を直接敵シナリオ生成に統合するフレームワークである。 CARSは、規則に規定された注意深い有能なドライバーモデルの下で、高い帰属率を持つ実行可能な衝突シナリオを一貫して発見する。
• 参考スコア（独自算出の注目度）: 14.04593970867671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing trustworthy safety assurance for autonomous driving systems (ADSs) requires evidence that failures arise from avoidable system deficiencies rather than unavoidable traffic conflicts. Current adversarial simulation methods can efficiently expose collisions, but generally lack mechanisms to distinguish these fundamentally different failure modes. Here we present CARS (Context-Aware, Responsibility-attributed Scenario generation), a framework that integrates responsibility attribution directly into adversarial scenario generation. CARS combines context-aware adversary selection with a generative adversarial policy optimized in closed-loop simulation to construct collision scenarios that are both physically feasible and diagnostically attributable. Across benchmark datasets spanning heterogeneous national traffic environments, CARS consistently discovers feasible collision scenarios with high attribution rates under multiple regulation-prescribed careful and competent driver models. By coupling adversarial generation with normative responsibility assessment, CARS moves simulation testing beyond collision discovery toward the construction of interpretable, regulation-aligned safety evidence for scalable ADS validation.
• Abstract（参考訳）: 自律運転システム(ADS)の信頼性の高い安全保証を確立するには、避けられない交通紛争ではなく、回避可能なシステム欠陥から障害が発生する証拠が必要である。 現在の敵シミュレーション手法は、衝突を効果的に露呈することができるが、一般的にこれらの基本的な異なる障害モードを区別するメカニズムが欠如している。 本稿では,CARS(Context-Aware, Responsibility-attributed Scenario Generation)について述べる。 CARSは、コンテキスト対応の敵選択と、クローズドループシミュレーションに最適化された生成的敵ポリシーを組み合わせることで、物理的に実現可能で診断的に帰結可能な衝突シナリオを構築する。 異質な国家交通環境にまたがるベンチマークデータセット全体において、CARSは、複数の規制が規定する注意深い有能なドライバーモデルの下で、高い帰属率を持つ実行可能な衝突シナリオを一貫して発見する。 CARSは、敵生成と規範的責任評価を結合することにより、衝突発見以外のシミュレーションテストを、スケーラブルなADS検証のための解釈可能な、規制に整合した安全証拠の構築に移行させる。

関連論文リスト

• Dynasto: Validity-Aware Dynamic-Static Parameter Optimization for Autonomous Driving Testing [6.969678532857503]
  自律運転システムにおける安全クリティカルな障害を明らかにするための2段階のテスト手法であるDynastoを提案する。 まず、時間論理に基づく妥当性基準を用いた強化学習を用いて、敵エージェントを訓練する。 第二に、遺伝的アルゴリズムは、敵の失敗を誘発する振る舞いを再生しながら初期条件を探索し、RLエージェントだけでは発見できない追加の失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-03-22T22:35:30Z)
• Controllable risk scenario generation from human crash data for autonomous vehicle testing [13.3074428571403]
  制御可能なリスクエージェント生成(CRAG)は、支配的な名目的行動と稀な安全クリティカルな行動のモデリングを統合するために設計されたフレームワークである。 CRAGは、正常およびリスク関連挙動を歪め、限られたクラッシュデータの効率的な利用を可能にする構造付き潜在空間を構築する。
  論文  参考訳（メタデータ） (2025-11-27T04:53:18Z)
• Controllable Collision Scenario Generation via Collision Pattern Prediction [22.736678908526653]
  制御可能な衝突シナリオ生成を導入し、ユーザが特定した衝突タイプとTTA(Time-to-accident)を実現するトラジェクトリを作成する。 本研究では,衝突パターンを予測するフレームワークを提案する。衝突パターンは,衝突時のエゴと敵車両の空間的構成を捉える,コンパクトで解釈可能な表現である。 実験により, 衝突速度と制御性の両方において, 本手法が強いベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-14T06:56:33Z)
• 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)
• D4+: Emergent Adversarial Driving Maneuvers with Approximate Functional Optimization [3.763470738887407]
  我々は、自動運転車と相互作用する悪意のあるドライバーの影響を特定するために、形式的な手法でシナリオベースのフレームワークを実装した。 われわれの結果は、悪質なドライバーが現代の車両の自律的機能を利用するのを防ぐ安全な運転行動の範囲をデザイナーが特定するのに役立つ。
  論文  参考訳（メタデータ） (2025-05-20T05:22:03Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• ICSFuzz: Collision Detector Bug Discovery in Autonomous Driving Simulators [11.343198884451166]
  本稿では,自律走行シミュレータの信頼性向上を目的として,無視衝突シナリオを系統的に発見することを目的とする。 我々は、無視された衝突シナリオを効率的に発見するためのブラックボックスファジリング手法であるICSFuzzを提案する。 我々はICSFuzzを、最先端のシミュレーションベースのADSテスト手法であるDriveFuzzと比較し、その託宣を我々の無視照合対応託宣に置き換えた。
  論文  参考訳（メタデータ） (2024-08-11T04:48:54Z)
• 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 and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。