Fugu-MT 論文翻訳(概要): RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation

論文の概要: RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation

arxiv url: http://arxiv.org/abs/2606.06423v1
Date: Thu, 04 Jun 2026 17:28:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-05 22:39:44.995789
Title: RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation
Title（参考訳）: RiskFlow: 高速で忠実な安全クリティカルな交通シナリオ生成
Authors: Qi Lan, Yining Tang, Yu Shen, Yi Zhou, Yuhao Wei, Jie Li, Guofa Li,
Abstract要約: RiskFlowはクローズドループ安全クリティカルなマルチエージェントトラフィック生成フレームワークである。将来の軌道生成を作用空間の輸送として定式化する。競争力のある安全クリティカルな生成能力を維持しながら、リアリズムを継続的に改善する。
参考スコア（独自算出の注目度）: 17.00557757061364
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Safety-critical traffic scenario generation is essential for evaluating autonomous driving systems under rare but high-risk interactions. Existing diffusion-based methods offer strong controllability in closed-loop generation, but their iterative denoising process is computationally expensive and may accumulate sampling and guidance errors over long rollouts, causing unrealistic motion artifacts such as jitter, abnormal acceleration, and off-road behavior. To address these issues, we propose RiskFlow, a closed-loop safety-critical multi-agent traffic generation framework that formulates future trajectory generation as transport in the action space. Instead of relying on iterative denoising, RiskFlow learns an average velocity field over a finite interval to transform Gaussian action sequences into future acceleration and yaw-rate commands with a single forward pass, using a JVP-based objective for efficient and stable training. At test time, RiskFlow applies output-space guidance to the generated actions, steering selected critical agents toward risky interactions while regularizing off-road behavior, and reconstructs physically feasible trajectories through vehicle dynamics. Experiments on nuScenes with tbsim closed-loop evaluation show that RiskFlow achieves a strong adversariality-realism trade-off across multi-agent and long-horizon settings. Compared with representative baselines, RiskFlow consistently improves realism while maintaining competitive safety-critical generation capability, and substantially reduces inference time for evaluation.
Abstract（参考訳）: 安全クリティカルな交通シナリオ生成は、稀だが高リスクな相互作用の下で自律運転システムを評価するために不可欠である。既存の拡散法は閉ループ生成において強い制御性を提供するが、反復的復調処理は計算コストが高く、長時間のロールアウトでサンプリングと誘導誤差を蓄積し、ジッタや異常加速度、オフロード動作などの非現実的な運動アーティファクトを引き起こす可能性がある。このような問題に対処するために,我々は,行動空間における輸送として将来の軌道生成を定式化する,クローズドループ安全クリティカルなマルチエージェントトラフィック生成フレームワークであるR RiskFlowを提案する。 RiskFlowは反復的なデノベーションに頼る代わりに、有限間隔で平均速度場を学び、ガウスのアクションシーケンスを将来の加速に変換し、単一のフォワードパスでヨーレートのコマンドをJVPベースの目的を使って、効率的で安定したトレーニングを行う。テスト時には、生成されたアクションにアウトプットスペースガイダンスを適用し、オフロード動作を規則化しながら、選択されたクリティカルエージェントをリスクのあるインタラクションに向けて操り、車両ダイナミクスを通じて物理的に実現可能な軌道を再構築する。 tbsimクローズドループ評価によるnuScenesの実験から、R RiskFlowはマルチエージェントおよびロングホライゾン設定間の強い対向現実性トレードオフを達成することが示された。代表的ベースラインと比較して、リスクフローは競争力のある安全クリティカルな生成能力を保ちながらリアリズムを継続的に改善し、評価のための推論時間を著しく短縮する。

関連論文リスト

Goal-Oriented Reactive Simulation for Closed-Loop Trajectory Prediction [9.812666469580872]
現在の軌道予測モデルは、主にオープンループ方式で訓練されている。本稿では,高周波数・遅延型地平線エゴ予測に最適化されたオンライン閉ループトレーニングパラダイムを提案する。
論文参考訳（メタデータ） (2026-03-25T10:24:16Z)
SafeFlow: Real-Time Text-Driven Humanoid Whole-Body Control via Physics-Guided Rectified Flow and Selective Safety Gating [5.252722148826105]
SafeFlowはテキスト駆動のヒューマノイド全体のコントロールフレームワークである。物理誘導型モーションジェネレーションと、明示的なリスク指標によって駆動される3段安全ゲートを組み合わせる。従来の拡散に基づく手法よりも、成功率、物理的コンプライアンス、推論速度が優れている。
論文参考訳（メタデータ） (2026-03-25T06:24:16Z)
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)
RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
論文参考訳（メタデータ） (2025-05-06T09:12:37Z)
Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training [64.16445087751039]
Hydra-NeXtは、軌道予測、制御予測、軌道修正ネットワークを一つのモデルに統合する、新しいマルチブランチ計画フレームワークである。 Hydra-NeXt は22.98 DS と 17.49 SR を上回り、自動運転の大幅な進歩を示している。
論文参考訳（メタデータ） (2025-03-15T07:42:27Z)
DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation [11.059102404333885]
安全クリティカルな交通シナリオは、自律運転システムの堅牢性を評価する上で、非常に実用的な関係である。安全クリティカルなシナリオを生成する既存のアルゴリズムは、以前に記録されたトラフィックイベントのスニペットに依存している。本稿では,静的安全クリティカルな運転シナリオをクローズループや対話型対向交通シミュレーションに拡張するDeep Motion Factorizationフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-23T11:30:24Z)
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。