論文の概要: EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents

• arxiv url: http://arxiv.org/abs/2606.03678v1
• Date: Tue, 02 Jun 2026 14:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.049216
• Title: EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents
• Title（参考訳）: EvoDrive: LLMエージェントによる安全クリティカルな自動運転のためのPareto進化
• Authors: Tong Nie, Yuewen Mei, Yihong Tang, Junlin He, Jie Deng, Jian Sun, Wei Ma,
• Abstract要約: 既存の手法は通常、手工芸品でこのトレードオフを管理し、探索されていないパターンを見渡す。 本稿では,シナリオ生成のためのLLMベースのエージェント進化フレームワークであるEvoDriveを紹介する。 EvoDriveはシミュレーターによるアクター批判アーキテクチャを採用しており、メモリ駆動アクターはジェネレータの改善を反復的に提案し、批判者は不明瞭な候補をフィルタリングする。
• 参考スコア（独自算出の注目度）: 59.44069233970625
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating safety-critical scenarios is essential for validating and improving autonomous driving systems, yet it inherently requires maximizing adversariality to expose failures while preserving realism. Existing methods usually manage this trade-off with handcrafted heuristics, confining generation to known priors and overlooking underexplored patterns. While recent open-ended agentic evolution can push this limit, unconstrained general agents lack strict simulator grounding and tend to collapse the multi-objective tension into single-scalar maximization. Here we present EvoDrive, the first automated, LLM-based agentic evolution framework for multi-objective scenario generation. EvoDrive employs a simulator-grounded actor-critic architecture where a memory-driven actor iteratively proposes improvements to the generators and critics filter out implausible candidates, and a self-evolving world evaluator routes promising proposals to optimize simulation budgets. EvoDrive further maintains a Pareto archive of evaluated candidates to preserve diverse attack-realism trade-offs and guide future evolution via simulation feedback. Benchmark results on MetaDrive and CARLA show that EvoDrive not only significantly expands the Pareto frontier across various generators, but also produces valuable scenarios for policy training.
• Abstract（参考訳）: 安全クリティカルなシナリオの生成は、自律運転システムの検証と改善に不可欠だが、本質的には、現実性を維持しながら障害を露呈する敵の最大化を必要とする。 既存の手法は通常、手作りのヒューリスティックでこのトレードオフを管理し、既知の事前に世代を精算し、未発見のパターンを見落としている。 最近のオープンエンドエージェント進化は、この限界を押し上げることができるが、制約のない汎用エージェントは厳密なシミュレータ基底を欠き、多目的テンションを単一スカラー最大化に分解する傾向がある。 本稿では,多目的シナリオ生成のためのLLMベースのエージェント進化フレームワークであるEvoDriveを紹介する。 EvoDriveはシミュレーター・グラウンドのアクター・クリティカル・アーキテクチャを採用しており、メモリ駆動アクターは、予測できない候補をフィルタリングするジェネレータと批評家の改善を反復的に提案し、自己進化する世界評価器は、シミュレーション予算を最適化するために提案する提案をルートする。 EvoDriveはさらに、さまざまなアタックリアリズムのトレードオフを維持し、シミュレーションフィードバックを通じて将来の進化を導くために、評価された候補のパレートアーカイブを維持している。 MetaDriveとCARLAのベンチマーク結果によると、EvoDriveはParetoフロンティアをさまざまなジェネレータで大幅に拡張するだけでなく、ポリシートレーニングに有用なシナリオも生成している。

関連論文リスト

• EvoRubric: Self-Evolving Rubric-Driven RL for Open-Ended Generation [42.93367895323788]
  EvoRubricは、独創的な共進化型強化学習フレームワークである。 静的な基準や外部のルーリックジェネレータへの依存をなくす。 従来の静的および外部LLM駆動アライメントメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-05-28T12:28:49Z)
• LMGenDrive: Bridging Multimodal Understanding and Generative World Modeling for End-to-End Driving [60.31765454895336]
  本稿では、マルチモーダル理解と生成世界モデルを組み合わせた、エンドツーエンドのクローズドループ駆動のための最初のフレームワークLMGenDriveを紹介する。 本稿では,視覚前訓練から多段階長距離運転に至るまでの3段階訓練戦略を提案し,安定性と性能の向上を図る。
  論文  参考訳（メタデータ） (2026-04-09T19:13:14Z)
• ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving [63.980630608984605]
  本稿では、ゼロサムマルコフゲームとして、駆動ポリシー(ディフェンダー)と敵エージェント(アタックラー)の相互作用を扱うクローズドループのmin-max最適化フレームワークであるADV-0を提案する。 これを実現するため,我々は動的敵の進化を反復的な選好学習とし,この最適性を効率的に近似し,アルゴリズムに依存しない解をゲームに提供する。 実験により、多様な安全クリティカルな障害を効果的に露呈し、学習方針と運動プランナーの両方の一般化可能性を大幅に向上させることが示されている。
  論文  参考訳（メタデータ） (2026-03-16T12:58:31Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• 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)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)

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。