論文の概要: Generating Realistic Safety-Critical Scenarios for Vehicle-Pedestrian Interactions
- arxiv url: http://arxiv.org/abs/2605.17229v1
- Date: Sun, 17 May 2026 02:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.741048
- Title: Generating Realistic Safety-Critical Scenarios for Vehicle-Pedestrian Interactions
- Title（参考訳）: 自動車と歩行者のインタラクションのための現実的安全・批判シナリオの生成
- Authors: Qingwen Pu, Kun Xie, Yuan Zhu, Guocong Zhai,
- Abstract要約: 本研究では,大規模に行動的に現実的な安全クリティカルなシナリオを生成するための3段階のフレームワークを提案する。
ステージ1は、現実世界の安全クリティカルなデータに基づいて、マルチエージェント状態空間トランスフォーマー強化DDPGエージェントを事前訓練し、人間のようなインタラクティブな回避行動を学ぶ。
ステージ2では、CARLAでトレーニング済みのマルチエージェントをデプロイして、オンライン強化学習を使用して、さまざまなシナリオを一般化する。
ステージ3では、改良されたモデルでCARLAを使用して、8つの交差点シナリオから198,000以上の高解像度の対話エピソードを生成する。
- 参考スコア（独自算出の注目度）: 3.8542226306135157
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated driving system deployment requires rigorous validation across safety-critical vehicle-pedestrian interactions, yet real-world datasets rarely capture high-risk scenarios while simulation platforms lack realistic behavior. In response, this study proposes a three-stage framework that combines real-world grounding with adaptive simulation to generate behaviorally realistic safety-critical scenarios at scale. Stage 1 pre-trains multi-agent state-space Transformer-enhanced DDPG (MA-SST-DDPG) agents on real-world safety-critical data to learn human-like interactive evasive behaviors through data-driven learning. Stage 2 deploys pre-trained multi-agents in CARLA for online reinforcement learning to generalize across diverse scenarios, integrating real-world knowledge with simulation experience to produce a refined MA-SST-DDPG model. Stage 3 uses CARLA with the refined model to generate over 198,000 high-resolution interaction episodes from eight intersection scenarios, culminating in the Vehicle-Pedestrian Safety-Critical Interaction (VPSCI) dataset. The Refined MA-SST-DDPG model outperformed baseline methods in reproducing realistic evasive behaviors, achieving the lowest trajectory errors (ADE = 0.072 m, FDE = 0.142 m). Statistical comparison confirmed distributional equivalence between the generated and real-world data in both conflict severity and behavioral response. A Turing test confirmed that the three-stage framework generated evasive behaviors were indistinguishable from real-world interactions. These results demonstrate the framework's effectiveness in producing high-fidelity safety-critical data, offering valuable sources for the development of ADS and simulation-based safety evaluations.
- Abstract（参考訳）: 自動運転システムのデプロイメントには、安全クリティカルな車両と歩行者のインタラクションを厳格に検証する必要があるが、シミュレーションプラットフォームが現実的な振る舞いを欠いている間、現実のデータセットがリスクの高いシナリオをキャプチャすることは滅多にない。
そこで本研究では,実世界の接地と適応シミュレーションを組み合わせた3段階のフレームワークを提案する。
ステージ1は、マルチエージェント状態空間トランスフォーマー強化DDPG(MA-SST-DDPG)エージェントを現実世界の安全クリティカルデータに事前訓練し、データ駆動学習を通じて人間のようなインタラクティブな回避行動を学ぶ。
ステージ2では、CARLAで事前訓練されたマルチエージェントをデプロイし、さまざまなシナリオにまたがるオンライン強化学習を一般化し、実世界の知識とシミュレーション体験を統合して、洗練されたMA-SST-DDPGモデルを生成する。
ステージ3では、改良されたモデルでCARLAを使用して、8つの交差点シナリオから198,000以上の高分解能なインタラクションのエピソードを生成し、VPSCI(Vaby-Pedestrian Safety-Critical Interaction)データセットで頂点に達した。
The Refined MA-SST-DDPG model outformed baseline method in re production real evasive behaviors, achieved the low trajectory error (ADE = 0.072 m, FDE = 0.142 m)。
競合重大度と行動応答の双方で生成された実世界のデータと実世界のデータの分布同値が統計的に確認された。
チューリング試験では、3段階のフレームワークが生み出した回避行動が現実世界の相互作用と区別できないことを確認した。
これらの結果は,高忠実度安全クリティカルデータの生成におけるフレームワークの有効性を示し,ADSの開発とシミュレーションに基づく安全性評価のための貴重な情報源を提供する。
関連論文リスト
- PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment [6.540774583094088]
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。
論文 参考訳（メタデータ） (2026-05-15T06:20:43Z) - Learning from Risk: LLM-Guided Generation of Safety-Critical Scenarios with Prior Knowledge [25.50999678115561]
本稿では,条件付き変分オートエンコーダ(CVAE)と大規模言語モデル(LLM)を統合した高忠実なシナリオ生成フレームワークを提案する。
我々のフレームワークは、リスクの高いイベントやロングテールイベントのカバレッジを大幅に向上させ、シミュレートされたトラフィック分布と実世界のトラフィック分布の一貫性を改善し、既存のルールやデータ駆動方式よりもはるかに難しいインタラクションに自律運転システムを公開します。
論文 参考訳（メタデータ） (2025-11-25T09:53:09Z) - RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。
実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。
RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
論文 参考訳（メタデータ） (2025-05-22T17:01:00Z) - 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) - 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) - 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) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳（メタデータ） (2021-01-17T00:29:30Z)
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。