論文の概要: CCFM: Collision-Constrained Flow Matching for Safety-Critical Scenario Generation
- arxiv url: http://arxiv.org/abs/2607.04451v1
- Date: Sun, 05 Jul 2026 18:26:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.940502
- Title: CCFM: Collision-Constrained Flow Matching for Safety-Critical Scenario Generation
- Title（参考訳）: CCFM:安全臨界シナリオ生成のための衝突抑制フローマッチング
- Abstract要約: ハード物理制約による正確な衝突制御を保証する新しいフレームワークであるCCFM(Collision-Constrained Flow Matching)を紹介する。
CCFMの衝突速度は nuScenes で46.4%、nuPlan で83.1% まで上昇し、現実的な運転行動を維持しながらベースラインを著しく上回っている。
- 参考スコア（独自算出の注目度）: 12.01753684349527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluation of autonomous vehicle (AV) planners in safety-critical closed-loop simulation is essential for real-world deployment. However, generating controllable safety-critical scenarios remains challenging. Existing approaches use soft guidance that provides only probabilistic preferences and cannot guarantee the satisfaction of geometric and severity constraints associated with specific collision types. We introduce Collision-Constrained Flow Matching (CCFM), a novel framework that guarantees precise collision control through hard physical constraints. CCFM consists of three key components: (i) a heuristic collision selector that optimally identifies an adversarial agent and collision type via composite scoring; (ii) structured hard constraints that explicitly define four collision types (rear-end, side, cut-in, head-on) through contact point, heading, and severity requirements; and (iii) a collision-constrained flow matching sampler that enforces the constraints via Gauss-Newton manifold projection. CCFM achieves collision rate up to 46.4% on nuScenes and 83.1% on nuPlan, significantly outperforming baselines while preserving realistic driving behavior. By enabling controllable collision characteristics in safety-critical scenario generation, CCFM provides a reliable foundation for AV safety evaluation and sim-to-real crash data generation. The code and implementation details are available at https://github.com/KELISBU/CCFM.
- Abstract（参考訳）: 安全クリティカルなクローズドループシミュレーションにおける自律走行車(AV)プランナの評価は,現実の展開に不可欠である。
しかし、制御可能な安全クリティカルなシナリオを生成することは依然として困難である。
既存のアプローチでは、確率的嗜好のみを提供するソフトガイダンスを使用しており、特定の衝突タイプに関連する幾何学的および重大性の制約の満足度を保証できない。
ハード物理制約による正確な衝突制御を保証する新しいフレームワークであるCCFM(Collision-Constrained Flow Matching)を紹介する。
CCFMは3つの重要な構成要素から構成される。
一 合成スコアリングにより対向剤及び衝突型を最適に識別するヒューリスティック衝突選別器
二 接触点、方向及び重度要件による四つの衝突種(後端、側面、切込み、正面)を明示的に規定する構造的硬度制約
3) ガウス・ニュートン多様体射影による制約を強制する衝突拘束流れマッチングサンプリング器。
CCFM は nuScenes では 46.4% 、nuPlan では 83.1% の衝突速度を達成し、現実的な運転行動を保ちながらベースラインを著しく上回っている。
安全クリティカルシナリオ生成における制御可能な衝突特性を有効にすることにより、CCFMは、AV安全性評価とシム・トゥ・リアル・クラッシュデータ生成の信頼性の高い基盤を提供する。
コードと実装の詳細はhttps://github.com/KELISBU/CCFMで確認できる。
関連論文リスト
- CrashDiffuser: VLM-Guided Collision Intent Reasoning for Fine-Grained Safety-Critical Traffic Scenario Generation [15.782911514743306]
我々は,目標衝突と特定の頭部,後頭部,側接触領域の両方を必要とする,きめ細かな安全クリティカルシナリオの生成について検討した。
連続軌道合成から意味的衝突推論を分離する閉ループVLM誘導拡散フレームワークであるCrashDiffuserを提案する。
WOMD由来のクローズドループのシナリオでは、CrashDiffuserは1回の試行で50.33%、3回の試行で67.98%の目標衝突率を達成した。
論文 参考訳（メタデータ） (2026-09-02T08:18:20Z) - Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。
リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
論文 参考訳（メタデータ） (2026-07-22T16:37:05Z) - Memory-Efficient Meta-Reinforcement Learning for Adaptive Safety-Critical Control in Adversarial Spacecraft Proximity Operations [42.47287159687486]
本稿では,3つの繰り返しネットワークアーキテクチャ (LSTM, Gated Recurrent Unit (GRU), Selective State Space Model (Mamba)) と2つのトレーニングアルゴリズム (Proximal Policy Optimization (PPO) とSoft Actor Critic (SAC)) の性能を調べた。
以上の結果から, PPOを用いた場合のMambaのような状態空間モデルは, 他のアーキテクチャと比較して, タスク完了, 安全性, 省エネ性が優れていることが示唆された。
論文 参考訳（メタデータ） (2026-06-16T01:53:54Z) - Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles [0.0]
本稿では,車両の動的安全境界制御のための応答認識型リスク制約制御バリア関数に基づく統合制御フレームワークを提案する。
このフレームワークは、制御勾配の基準方向を提供するために、名目力学と直接車体応答を融合する。
また、従来の決定論的安全制約をバリア関数誘導体のテールリスクに関する確率論的制約に再構成する。
論文 参考訳（メタデータ） (2026-03-13T02:38:17Z) - Controllable Collision Scenario Generation via Collision Pattern Prediction [22.736678908526653]
制御可能な衝突シナリオ生成を導入し、ユーザが特定した衝突タイプとTTA(Time-to-accident)を実現するトラジェクトリを作成する。
本研究では,衝突パターンを予測するフレームワークを提案する。衝突パターンは,衝突時のエゴと敵車両の空間的構成を捉える,コンパクトで解釈可能な表現である。
実験により, 衝突速度と制御性の両方において, 本手法が強いベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2025-10-14T06:56:33Z) - 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) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳（メタデータ） (2023-09-06T05:35:48Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。