論文の概要: ScenePilot: Controllable Boundary-Driven Critical Scenario Generation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.21168v1
• Date: Wed, 20 May 2026 13:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.698253
• Title: ScenePilot: Controllable Boundary-Driven Critical Scenario Generation for Autonomous Driving
• Title（参考訳）: ScenePilot: 自律運転のための制御可能な境界駆動クリティカルシナリオ生成
• Authors: Qiyu Ruan, Yuxuan Wang, He Li, Zhenning Li, Cheng-zhong Xu,
• Abstract要約: 安全クリティカルなシナリオは、自律運転システム評価の中心である。 ほとんどのシナリオ生成方法は、周囲のエージェントを敵として扱う。 本稿では,境界帯域を対象とする実現可能性誘導フレームワークであるScenePilotを提案する。
• 参考スコア（独自算出の注目度）: 33.25871854514186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety-critical scenarios are central to evaluating autonomous driving systems, yet their rarity in naturalistic logs makes simulation-based stress testing indispensable. Most scenario generation methods treat surrounding agents as adversaries, but they either (i) induce failures without explicitly modeling vehicle-road physical limits, yielding visually extreme yet physically unsolvable crashes, or (ii) enforce physical feasibility or policy feasibility in isolation, which can over-focus on aggressive maneuvers or remain tied to a controller-dependent capability boundary. We propose ScenePilot, a feasibility-guided, boundary-driven framework that targets the boundary band: scenarios that are physically solvable in principle yet still cause the deployed autonomy stack to fail. We formulate generation as constrained multi-objective reinforcement learning, combining an RSS-derived physical-feasibility score $σ$ with an online-learned AV-risk predictor $Φ$, and introduce step-level feasibility-aware shielding to keep exploration near the feasibility boundary while avoiding infeasible artifacts. Experiments on SafeBench with multiple planners show that ScenePilot yields substantially higher collision rates (+6.2 percentage points) while preserving physical validity, and that adversarial fine-tuning on these boundary-band scenarios consistently reduces downstream crash rates. The code is available at https://github.com/QiyuRuan/ScenePilot.
• Abstract（参考訳）: 安全クリティカルなシナリオは、自律運転システム評価の中心であるが、自然主義的なログにおける希少性は、シミュレーションベースのストレステストが不可欠である。 ほとんどのシナリオ生成手法は、周囲のエージェントを敵として扱うが、どちらも扱う。 一 車両の物理的限界を明示的にモデル化することなく、視覚的に極端に物理的に解決不可能な事故を誘発すること。 2) 物理的実現可能性又は政策実現可能性の分離を強制し、攻撃的な操作に過度に焦点をあてたり、コントローラに依存した能力境界に縛られたりすることができる。 ScenePilotは、バウンダリバンドをターゲットとした、実現可能性誘導でバウンダリ駆動のフレームワークである。原則として物理的に解決可能であるが、デプロイされた自律スタックが失敗するシナリオである。 我々は、制約付き多目的強化学習として生成を定式化し、RSS由来の物理的実現可能性スコア$σ$とオンライン学習されたAVリスク予測値$$$とを組み合わせて、実現不可能なアーティファクトを回避しつつ、実現可能性境界付近での探索を継続するためにステップレベルの実現可能性認識遮蔽を導入する。 複数のプランナーによるSafeBenchの実験では、ScenePilotは物理的妥当性を保ちながら衝突率(+6.2ポイント)がかなり高くなり、これらの境界バンドのシナリオに対する敵の微調整は、ダウンストリームのクラッシュ率を一貫して減少させる。 コードはhttps://github.com/QiyuRuan/ScenePilot.comで公開されている。

関連論文リスト

• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Self-Supervised Path Planning in Unstructured Environments via Global-Guided Differentiable Hard Constraint Projection [5.665217514922631]
  本研究では,非構造化環境における自律ナビゲーションのためのディープラーニングエージェントをデプロイするための自己教師型フレームワークを提案する。 データ不足を軽減するため,手動ラベリングを使わずに高密度の監視信号を提供するG-APF(Global-Guided Artificial Potential Field)を構築した。 20,000のシナリオからなるテストセットのベンチマークでは、88.75%の成功率を示し、強化された運用安全性を実証している。
  論文  参考訳（メタデータ） (2026-01-27T08:37:21Z)
• 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)
• Foundation Models for Rapid Autonomy Validation [4.417336418010182]
  重要な課題は、自動運転車が遭遇するあらゆる種類の運転シナリオでテストする必要があることだ。 本研究では,運転シナリオを再構築するための行動基礎モデル,特にマスク付きオートエンコーダ(MAE)の使用を提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:32:43Z)
• 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)

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。