論文の概要: KG-ASG: Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation With Primary-Support Attribution
- arxiv url: http://arxiv.org/abs/2605.18895v1
- Date: Sun, 17 May 2026 09:04:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.855587
- Title: KG-ASG: Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation With Primary-Support Attribution
- Title（参考訳）: KG-ASG: 一次スポーツ属性による衝突学習誘導閉ループ逆シナリオ生成
- Authors: Cheng Wang, Chen Xiong, Ziwen Wang, Yuchen Zhou, Qiang Liu,
- Abstract要約: KG-ASGは、一次支援属性を持つ衝突学習型クローズドループシナリオ生成フレームワークである。
MetaDrive で再構成された WOMD シナリオの実験により,KG-ASG が強い対角効果を発揮することが示された。
- 参考スコア（独自算出の注目度）: 11.204233852756808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safety validation of autonomous driving systems requires high-risk scenario coverage, clear collision semantics, executable trajectories, and attributable multi-vehicle interactions. Existing safety-critical scenario generation methods often rely on low-level trajectory perturbations, collision-proxy optimization, or single-adversary search, which may produce adversarial samples with ambiguous collision causes or uncontrolled multi-vehicle collisions. This paper proposes KG-ASG, a collision-knowledge-guided closed-loop adversarial scenario generation framework with primary-support attribution. KG-ASG constructs a structured collision knowledge base and trains a lightweight Collision Expert to infer the target collision mode, the unique primary adversary, support vehicles, and their interaction roles. Guided by this semantic prior, multi-vehicle adversarial generation is formulated as a primary-support process, where the primary adversary induces the main conflict and support vehicles shape the surrounding risk structure without becoming additional colliders. Rule, physical, interaction-safety, and single-collider constraints are imposed as hard gates to filter non-executable samples. To handle reactive ego behaviors, planner-controller feedback is further used for failure diagnosis, candidate re-ranking, and terminal refinement. Experiments on WOMD scenarios reconstructed in MetaDrive show that KG-ASG achieves strong adversarial effectiveness while improving Valid Primary Attack, reducing multi-collision, and obtaining closed-loop recovery gains under IDM, Cruise, and Expert controllers. These results demonstrate that collision-knowledge guidance and primary-support single-collider reasoning improve adversarial effectiveness, interpretability, and executability for autonomous driving safety validation.
- Abstract（参考訳）: 自律運転システムの安全性検証には、リスクの高いシナリオカバレッジ、明確な衝突セマンティクス、実行可能な軌道、帰属可能な多車間相互作用が必要である。
既存の安全クリティカルなシナリオ生成手法は、しばしば低レベルの軌道摂動、衝突プロキシ最適化、あるいは単方向探索に頼り、不明瞭な衝突の原因や制御不能な複数車両の衝突を引き起こす。
本稿では,衝突認識型閉ループシナリオ生成フレームワークKG-ASGを提案する。
KG-ASGは構造化された衝突知識ベースを構築し、軽量の衝突エキスパートを訓練し、目標の衝突モード、ユニークな一次敵、支援車両、およびそれらの相互作用の役割を推測する。
このセマンティクスによって導かれる多車対向生成は、主敵が主対立を誘発し、補助車両が余分な衝突者になることなく周囲のリスク構造を形成する一次支援過程として定式化される。
ルール、物理的、インタラクションセーフ、シングルコライダーの制約は、実行不可能なサンプルをフィルタリングするハードゲートとして課される。
反応性エゴの挙動を扱うために、障害診断、候補の再ランク付け、端末のリファインメントにプランナー・コントローラフィードバックがさらに使用される。
MetaDrive で再構成された WOMD シナリオの実験により,KG-ASG は検証初回攻撃の改善,多重衝突の低減,IMM,Cruise ,Expert コントローラの閉ループ回復率向上を実現し,高い対角効果が得られた。
これらの結果から,衝突知識指導と一元的一元的一元的推論は,自律運転安全検証の対向性,解釈性,実行性を向上させることが示唆された。
関連論文リスト
- Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles [14.04593970867671]
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。
論文 参考訳（メタデータ） (2026-05-13T16:33:07Z) - 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) - Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。
CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。
提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
論文 参考訳（メタデータ） (2026-01-05T05:20:16Z) - 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) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - 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) - 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) - 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) - Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。
本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。
複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文 参考訳（メタデータ） (2023-03-12T16:23:27Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z)
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。