論文の概要: Scenario Generation in Roundabouts with Adjustable Interaction Intensity

• arxiv url: http://arxiv.org/abs/2605.18026v1
• Date: Mon, 18 May 2026 08:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.116438
• Title: Scenario Generation in Roundabouts with Adjustable Interaction Intensity
• Title（参考訳）: 調整可能な相互作用強度を持つラウンドアラウンドでのシナリオ生成
• Authors: Li Li, Till Temmen, Tobias Brinkmann, Björn Krautwig, Markus Eisenbarth, Jakob Andert,
• Abstract要約: 本稿では、連続的に調整可能な相互作用強度を持つ対話対応ラウンドアバウンドシナリオジェネレータを提案する。 その結果, ベースラインモデルと比較して, 時間-遅延忠実度とプラウシブル相互作用応答が向上した。
• 参考スコア（独自算出の注目度）: 4.789477031149436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Roundabouts, characterized by frequent merging and yielding interactions, remain a safety-critical corner case for the development and testing of intelligent driving functions. However, extracting sufficient near-critical scenarios from naturalistic data is inefficient. Most existing scenario generation methods provide limited controllability over interaction intensity and criticality, making systematic safety testing and detailed analysis difficult. This paper presents an interaction-aware roundabout scenario generator with continuously adjustable interaction intensity. Geometric routes and temporal progress profiles are first decoupled and mapped to latent codes using pretrained autoencoders. Conditional latent generation is then performed with Wasserstein Generative Adversarial Networks (WGAN) to generate scenarios. Yielding is modeled as a controllable timing intervention via a compact yield code during the approach-to-entry segment, where interaction intensity is modulated by scaling the code with a factor $λ$. Results demonstrate enhanced timing-latent fidelity and plausible interaction responses compared to a baseline model. Under criticality-calibrated scaling, increasing $λ$ expands the safety margin, providing a scalable and controlled testing mechanism.
• Abstract（参考訳）: ラウンドアバウンドは、頻繁なマージと利得の相互作用によって特徴づけられるが、インテリジェントな駆動機能の開発とテストにとって、安全上重要な問題である。 しかし、自然主義的なデータから十分な準臨界シナリオを抽出することは非効率である。 既存のシナリオ生成手法の多くは、相互作用の強度と臨界性に対する限定的な制御性を提供し、系統的な安全性テストと詳細な分析を困難にしている。 本稿では、連続的に調整可能な相互作用強度を持つ対話対応ラウンドアバウンドシナリオジェネレータを提案する。 幾何学的経路と時間的進行プロファイルをまず分離し、事前訓練されたオートエンコーダを用いて潜時符号にマッピングする。 条件付き遅延生成は、Wasserstein Generative Adversarial Networks (WGAN) を用いて実行され、シナリオを生成する。 収量化は、コンパクトな収率コードを介して制御可能なタイミング介入としてモデル化され、そこでは相互作用強度を$λ$でスケーリングすることで変調する。 その結果, ベースラインモデルと比較して, 時間-遅延忠実度とプラウシブル相互作用応答が向上した。 臨界校正スケーリングの下では、λ$の増加は安全性の限界を広げ、スケーラブルで制御されたテストメカニズムを提供する。

関連論文リスト

• Map-Agnostic And Interactive Safety-Critical Scenario Generation via Multi-Objective Tree Search [7.691544372846608]
  本稿では,モンテカルロ木探索による交通流レベルの安全クリティカルシナリオ生成のための新しいフレームワークを提案する。 探索効率とリスク逆決定のバランスをとるために, ハイブリッドな上信頼境界 (UCB) と下信頼境界 (LCB) 探索戦略を導入する。 香港の複雑な都市環境における4つの高リスク事故帯にまたがるアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-04T12:19:02Z)
• Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space [0.0]
  安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。 不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を低ランクのスペクトル多様体に制約する。 これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定の計算が可能になる。
  論文  参考訳（メタデータ） (2026-02-19T18:10:16Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• 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)
• Multi-Agent Scenario Generation in Roundabouts with a Transformer-enhanced Conditional Variational Autoencoder [5.075005638055596]
  ラウンドアバウンドにおけるマルチエージェントトラフィックシナリオを生成するために,Transformer-enhanced Conditional Autoencoder (CVAE-T) モデルを提案する。 この結果から,提案モデルでは,オリジナルのシナリオを正確に再構築し,現実的で多様な合成シナリオを生成できることがわかった。
  論文  参考訳（メタデータ） (2025-10-28T17:36:52Z)
• 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)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。