論文の概要: Zero-Label Driving Scenario Complexity Detection via Joint Embedding Predictive Architecture

• arxiv url: http://arxiv.org/abs/2606.28383v1
• Date: Sun, 21 Jun 2026 05:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.537886
• Title: Zero-Label Driving Scenario Complexity Detection via Joint Embedding Predictive Architecture
• Title（参考訳）: 共同埋め込み予測アーキテクチャによるゼロラベル駆動シナリオ複雑度検出
• Abstract要約: モデルがラベルなしでシナリオの複雑さを自分自身で発見できるかどうかを問う。 我々は、nuPlan miniデータセットから構造化されたエージェント状態データに基づいて、最小限のJEPA(Joint Embedding Predictive Architecture)をトレーニングする。 トレーニングや評価設定の間、地道なラベルにアクセスすることなく、モデルは、保護されていないターン、横断歩道の相互作用、歩行者の近接といったシナリオに、はるかに高いスコアを割り当てる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying complex and safety-critical driving scenarios in large unlabelled datasets is an important but expensive problem. Existing approaches rely on human annotators, supervised classifiers, or carefully engineered rule sets, all of which require substantial prior knowledge about what constitutes a difficult scenario. We ask whether a model can discover scenario complexity on its own, with no labels at any stage. We train a minimal Joint Embedding Predictive Architecture (JEPA) on structured agent state data from the nuPlan mini dataset and use the temporal prediction error as a zero-shot complexity score. Without access to any ground-truth labels during training or evaluation setup, the model assigns significantly higher scores to scenarios involving unprotected turns, crosswalk interactions, and pedestrian proximity, and significantly lower scores to lane-following and stationary-traffic scenarios. We validate this finding through four ablation experiments that isolate the source of the signal, and through a downstream anomaly detection evaluation that achieves Average Precision of 0.512 against a 0.436 chance baseline. The results show that temporal prediction error in a self-supervised latent world model is a practical proxy for driving scenario complexity.
• Abstract（参考訳）: 大きなラベルのないデータセットで、複雑で安全クリティカルな運転シナリオを特定することは、重要だが高価な問題である。 既存のアプローチは、人間のアノテーション、教師付き分類器、あるいは慎重に設計されたルールセットに依存しており、これらは全て難解なシナリオを構成するものに関する十分な事前知識を必要とする。 モデルがラベルなしでシナリオの複雑さを自分自身で発見できるかどうかを問う。 我々は、nuPlan miniデータセットから構造化されたエージェント状態データに基づいて、最小限のJEPA(Joint Embedding Predictive Architecture)をトレーニングし、時間的予測誤差をゼロショット複雑性スコアとして使用する。 トレーニングや評価設定の間、地道ラベルにアクセスせずに、モデルは、未保護のターン、横断歩道の相互作用、歩行者の近接を含むシナリオにかなり高いスコアを割り当て、車線追従シナリオと静止交通シナリオに著しく低いスコアを割り当てる。 我々は、信号のソースを分離する4つのアブレーション実験と、0.512の平均精度を0.436の確率ベースラインに対して達成する下流異常検出評価を通じて、この発見を検証する。 その結果,自己教師付き潜在世界モデルにおける時間的予測誤差は,シナリオの複雑さを駆動する実用的なプロキシであることが示唆された。

関連論文リスト

• A Pedestrian-Vehicle Interaction Benchmark and Annotation Framework for Unstructured Scenes via Uncalibrated Cameras [14.16993152950793]
  我々は、未校正監視カメラのビデオデータに基づくデータセットとPINNS(uNstructured ScenesにおけるuNcalibratedカメラからの歩行者車間相互作用データセット)を提案する。 このデータセットは、複数の国や地域をカバーし、様々な典型的な交通シナリオを含み、季節、照明条件、天候の変動も考慮している。 我々のフレームワークとデータセットは、複雑な混在交通シナリオにおける軌道予測と自律運転の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2026-05-25T15:26:18Z)
• Learning Shortest Paths When Data is Scarce [3.3012620893449465]
  本研究では,プランナーが豊富な合成サンプルにアクセス可能な最短経路問題,限られた実世界の観測,およびリンク間の振る舞いの類似性を推定するエッジ類似性について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 初期実データを持たないコールドスタート設定のために、所定の精度が満たされるまでエッジを適応的に選択するバイアス対応能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-07T06:19:04Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• OmniTraj: Pre-Training on Heterogeneous Data for Adaptive and Zero-Shot Human Trajectory Prediction [62.385417528148224]
  OmniTrajは、大規模な異種データセットで事前トレーニングされたトランスフォーマーベースのモデルである。 実験によると、フレームレートを明示的に条件付けすることで、OmniTrajは最先端のゼロショット転送性能を実現することができる。
  論文  参考訳（メタデータ） (2025-07-31T15:37:09Z)
• Inverse Reinforcement Learning for Minimum-Exposure Paths in Spatiotemporally Varying Scalar Fields [49.1574468325115]
  このようなパスのトレーニングデータセットに類似した最小露出パスのデータセットを合成する問題を考える。 本論文の主な貢献は、この問題を解決するための逆強化学習(IRL)モデルである。 提案したIRLモデルは,トレーニングデータセットにない初期条件から経路を合成する際の優れた性能を提供する。
  論文  参考訳（メタデータ） (2025-03-09T13:30:11Z)
• SSTP: Efficient Sample Selection for Trajectory Prediction [38.92588125424176]
  既存の大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。 本稿では,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。 実験の結果、SSTPはデータの半分しか使用せず、フルデータセットのトレーニングに匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-25T22:00:11Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
  シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。 シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。 本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T20:51:24Z)
• Toward Unsupervised Test Scenario Extraction for Automated Driving Systems from Urban Naturalistic Road Traffic Data [0.0]
  提案手法は、道路交通データからシナリオを抽出するための教師なし機械学習パイプラインをデプロイする。 InDおよびSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。 階層的クラスタリングを用いて,4から5クラスタに移行すると,全体の精度が約20%向上し,41クラスタから全体の精度が84%の飽和効果が得られた。
  論文  参考訳（メタデータ） (2022-02-14T10:55:14Z)
• 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。