論文の概要: AutoMine Solution for AV2 2026 Scenario Mining Challenge

• arxiv url: http://arxiv.org/abs/2606.11874v1
• Date: Wed, 10 Jun 2026 09:58:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.399628
• Title: AutoMine Solution for AV2 2026 Scenario Mining Challenge
• Title（参考訳）: AV2 2026シナリオマイニングチャレンジのためのAutoMineソリューション
• Authors: Songliang Cao, Jiele Zhao, Yuru Wang, Hao Li, Daqi Liu, Zehan Zhang, Fangzhen Li, Yu Wang, Yue Zhang, Bing Wang, Guang Chen, Hao Lu, Hangjun Ye,
• Abstract要約: LLMとVLMに基づく堅牢な自己精製シナリオマイニング手法であるAutoMineを提案する。 CVPR 2026のArgoverse 2 Senario Mining Competitionにおいて、AutoMineはHOTA-Temporal score 36.38、Timestamp BA score 77.21を達成している。
• 参考スコア（独自算出の注目度）: 22.817600192686275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of autonomous driving systems, mining high-value, safety-critical, and planning-relevant scenarios from large-scale driving logs has become essential for data-driven evaluation. In this paper, we propose AutoMine, a robust self-refining scenario mining method based on LLMs and VLMs. AutoMine uses semantics-preserving prompt augmentation to reduce LLM prompt sensitivity, combines robust trajectory atomic functions with VLM-based functions to handle perception noise and open-world visual cues, and refines generated code through execution feedback from real logs. In the Argoverse 2 Scenario Mining Competition at CVPR 2026, AutoMine achieves a HOTA-Temporal score of 36.38 and a Timestamp BA score of 77.21.
• Abstract（参考訳）: 自律運転システムの開発により、大規模運転ログから高価値、安全クリティカル、計画関連シナリオをマイニングすることが、データ駆動評価に欠かせないものとなっている。 本稿では, LLM と VLM に基づく堅牢な自己精錬シナリオマイニング手法である AutoMine を提案する。 AutoMineは、セマンティックス保存のプロンプト拡張を使用して、LCMのプロンプト感度を低減し、ロバストなトラジェクティブ原子関数とVLMベースの関数を組み合わせて、知覚ノイズとオープンワールドのビジュアルキューを処理し、実際のログからの実行フィードバックを通じて生成されたコードを洗練する。 CVPR 2026のArgoverse 2 Senario Mining Competitionにおいて、AutoMineはHOTA-Temporal score 36.38、Timestamp BA score 77.21を達成している。

関連論文リスト

• SMc2f: Robust Scenario Mining for Robotic Autonomy from Coarse to Fine [8.662817298688147]
  RefAVは、大きな言語モデル(LLM)を使用して、空間的かつ時間的にシナリオをローカライズするエンドツーエンドフレームワークである。 SMc2fは、粗い画像テキストフィルタリングに視覚言語モデル(VLM)を使用するパイプラインである。 公開データセットの実験は、検索品質と効率の両方において、かなりの向上を示している。
  論文  参考訳（メタデータ） (2026-01-17T11:25:55Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• TS-VLM: Text-Guided SoftSort Pooling for Vision-Language Models in Multi-View Driving Reasoning [1.4087249809872509]
  VLM(Vision-Language Models)は、シーン認識、推論、意思決定を強化する可能性を示している。 既存のモデルは、計算オーバーヘッドとマルチビューセンサーデータの非効率な統合に悩まされている。 本稿では,新しいテキストガイドソフトソートプール(TGSSP)モジュールを組み込んだ,TS-VLMという軽量なVLMを提案する。
  論文  参考訳（メタデータ） (2025-05-19T03:37:15Z)
• Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models [39.139025989575686]
  本稿では,安全クリティカルな運転シナリオを生成するための大規模言語モデル (LLM) フレームワークについて紹介する。 本モデルでは, 平均最小衝突時間を1.62秒から1.08秒に短縮し, 75%の衝突速度でベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-05-02T03:22:00Z)
• On Simulation-Guided LLM-based Code Generation for Safe Autonomous Driving Software [0.577182115743694]
  オートマチック・ドライビング・システム(Automated Driving System, ADS)は、車両の環境の解釈に責任を負う安全クリティカルなソフトウェアシステムである。 ADSの開発には厳格なプロセスが必要で、車両に配備する前にコードを検証し、検証し、評価し、検証する。 本研究では,自動コード生成と評価のためのプロトタイプを開発し,評価した。
  論文  参考訳（メタデータ） (2025-04-02T21:35:11Z)
• Distilling Multi-modal Large Language Models for Autonomous Driving [64.63127269187814]
  近年のエンド・ツー・エンドの自動運転システムは,大規模言語モデル(LLM)をプランナーとして活用し,レアイベントに対する一般化性を向上させる。 我々は,LLMの世界の知識を活用しつつ,LLMフリー(あるいはビジョンベース)プランナの効率を維持するエンド・ツー・エンドの自動運転システムであるDiMAを提案する。 DiMAを用いたトレーニングでは、L2軌道誤差が37%減少し、ビジョンベースプランナーの衝突速度が80%低下し、ロングテールシナリオでは44%軌道誤差が減少する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:53Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。