論文の概要: PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment

• arxiv url: http://arxiv.org/abs/2605.15654v1
• Date: Fri, 15 May 2026 06:20:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.306215
• Title: PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment
• Title（参考訳）: PCASim:都市交通環境における高速閉ループ対応シミュレーション
• Authors: Chuancheng Zhang, Zhenhao Wang, Kaizheng Li, Yaran Lin, Qiang Guo, Bin Jiang,
• Abstract要約: 大きな言語モデル(LLM)は、知識、データ、および敵駆動のアプローチを統合するために使用される。 強化学習モデルは 様々な種類の車両の 行動の訓練に使われています その結果,提案フレームワークはドメイン固有言語生成の精度を12%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 6.540774583094088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world autonomous driving, particularly in urban environments with numerous corner cases, requires rigorous testing to ensure product safety and robustness. However, few studies have explored integrating adversarial scenario generation with the training of safety agents in closed-loop testing, enabling efficient co-evolution and mutual enhancement of both. To address this challenge, an adversarial behavior knowledge repository is constructed by applying rule-based filtering to an open-source dataset, combined with knowledge retrieval modules tailored for simulation environments. A large language model (LLM) is employed to integrate knowledge-, data-, and adversarial-driven approaches, generating safety-critical traffic scenarios customized to user needs. Additionally, while evaluating the generated scenarios, we employ reinforcement learning models to train the behaviors of different types of vehicles, thereby enriching scenario diversity beyond existing datasets while preserving realism. Experimental results demonstrate that the proposed framework improves the accuracy of domain-specific language generation by 12\%. Moreover, the success rate of newly generated scenario transformations increases by 8\%, while obstacle-avoidance capability is enhanced by 30\%. For the complete manuscript, please refer to: https://zhenhaooo.github.io/PCASim.github.io/
• Abstract（参考訳）: 現実の自動運転車、特に多くのコーナーケースのある都市環境では、製品の安全性と堅牢性を確保するために厳格なテストが必要である。 しかし, クローズドループ試験における安全エージェントの訓練と対向シナリオ生成の統合を検討した研究はほとんどなく, 効率的な共進化と相互強化を実現している。 この課題に対処するために、ルールベースのフィルタリングをオープンソースデータセットに適用し、シミュレーション環境に適した知識検索モジュールを組み合わせることで、逆行動知識リポジトリを構築する。 大規模言語モデル(LLM)は、ユーザのニーズに合わせてカスタマイズされた安全クリティカルなトラフィックシナリオを生成する、知識、データ、および敵駆動のアプローチを統合するために使用される。 さらに、生成されたシナリオを評価しながら、強化学習モデルを用いて、さまざまな種類の車両の振る舞いをトレーニングし、現実性を維持しながら既存のデータセットを超えてシナリオの多様性を強化する。 実験の結果,提案フレームワークはドメイン固有言語生成の精度を12倍に向上することが示された。 さらに,新たに生成されたシナリオトランスフォーメーションの成功率は 8 % 増加し,障害物回避能力は 30 % 向上した。 完全な原稿については、https://zhenhaooo.github.io/PCASim.github.io/を参照してください。

関連論文リスト

• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• Conditional Flow-VAE for Safety-Critical Traffic Scenario Generation [22.114606251423925]
  本稿では,スケーラブルで現実的な安全クリティカルシナリオ生成のための条件付き潜水流マッチング手法を提案する。 本手法では,配信マッチングを用いて,名目シーンを安全クリティカルなロールアウトに変換する。
  論文  参考訳（メタデータ） (2026-05-06T00:08:25Z)
• From Words to Collisions: LLM-Guided Evaluation and Adversarial Generation of Safety-Critical Driving Scenarios [6.681744368557208]
  大規模言語モデル(LLM)と構造化シナリオ解析と迅速なエンジニアリングは、安全クリティカルな運転シナリオを生成するために使用される。 2次元シミュレーションフレームワークと複数の事前学習LDMを用いて,本手法の有効性を検証した。 ドメインインフォームドプロンプト技術を備えたLLMは、安全クリティカルな運転シナリオを効果的に評価し、生成することができると結論付けている。
  論文  参考訳（メタデータ） (2025-02-04T09:19:13Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• 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)
• RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
  RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:11:06Z)
• 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。