論文の概要: Proposal-Conditioned Latent Diffusion for Closed-Loop Traffic Scenario Generation
- arxiv url: http://arxiv.org/abs/2606.27123v1
- Date: Thu, 25 Jun 2026 15:01:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.326786
- Title: Proposal-Conditioned Latent Diffusion for Closed-Loop Traffic Scenario Generation
- Title（参考訳）: 閉ループ交通シナリオ生成のための遅延拡散の提案
- Authors: Shubham Vaijanath Phoolari, Aleyna Kara, Christoph Lauer, Steven Peters,
- Abstract要約: 本稿では,インスタンス中心のシーンコンテキストとマルチモーダルな提案を前提とした拡散型シナリオ生成フレームワークを提案する。
Open Motionデータセットの実験では、さまざまなインタラクティブなシナリオにおけるリアリズム、安全性、コントロール可能性のバランスが好まれている。
- 参考スコア（独自算出の注目度）: 1.6711881128691604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Closed-loop traffic simulation remains challenging because it must generate interactive multi-agent behaviors that are scene-consistent and controllable throughout rollout. Prior diffusion-based approaches achieve strong realism, but their computational cost can hinder deployment in time-constrained replanning loops for autonomous vehicle planning and simulation. We present a diffusion-based scenario generation framework conditioned on instance-centric scene context and multimodal proposal priors, with optional test-time guidance for shaping safety-critical behaviors. A compact action-latent representation and proposal-based initialization improve sampling efficiency and reduce per-step runtime without retraining. Experiments on the Waymo Open Motion Dataset demonstrate a favorable balance among realism, safety, and controllability across diverse interactive scenarios, while showing that test-time guidance enables systematic trade-offs among competing objectives.
- Abstract（参考訳）: クローズドループトラフィックシミュレーションは、ロールアウトを通じてシーンに一貫性があり制御可能なインタラクティブなマルチエージェント動作を生成する必要があるため、依然として困難である。
従来の拡散に基づくアプローチは強力なリアリズムを実現するが、その計算コストは、自動運転車計画とシミュレーションのための時間制約付き再計画ループへの展開を妨げる。
本稿では,インスタンス中心のシーンコンテキストとマルチモーダルな提案を前提とした拡散型シナリオ生成フレームワークを提案する。
コンパクトなアクションラテント表現と提案に基づく初期化によりサンプリング効率が向上し、再トレーニングなしにステップ単位のランタイムが削減される。
Waymo Open Motion Datasetの実験では、さまざまなインタラクティブシナリオ間のリアリズム、安全性、コントロール可能性のバランスが良好であることに加えて、テストタイムガイダンスによって競合する目標間の体系的なトレードオフが可能になることが示されている。
関連論文リスト
- From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。
敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。
実験の結果、最大40.6%のトレーニングステップが短縮された。
論文 参考訳（メタデータ） (2026-06-12T02:13:55Z) - Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。
現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。
本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-02T08:10:02Z) - 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) - SceneDiffuser: Efficient and Controllable Driving Simulation Initialization and Rollout [30.098214039454927]
現実的でインタラクティブなシーンシミュレーションは、自動運転車(AV)開発の鍵となる前提条件である。
本稿では,交通シミュレーションに先立って設計されたシーンレベルの拡散であるSceneDiffuserを紹介する。
新たな拡散復調パラダイムは、将来のシミュレーションステップに対して復調する計算コストを補正する。
論文 参考訳（メタデータ） (2024-12-05T18:06:53Z) - 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。