論文の概要: A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation
- arxiv url: http://arxiv.org/abs/2607.09772v1
- Date: Tue, 07 Jul 2026 14:33:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.188531
- Title: A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation
- Title（参考訳）: 自律運転安全検証のためのリスクフィールド強化閉ループデジタル双極子フレームワーク
- Abstract要約: 本稿では,自律運転安全性検証のためのリスクFfeld拡張閉ループディジタルツインフレームワークを提案する。
このフレームワークは、物理データ取得、データ同期、仮想双対再構築、リスク認識シナリオ生成、自律運転アルゴリズム評価、安全分析を統合している。
この研究は、明示的なリスク構造をデジタル双生児に組み込むことで、自律運転検証をより標的にし、解釈し、再利用可能なものにすることができることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving systems require reliable safety validation before real-world deployment. However, large-scale road testing is costly, difffcult to reproduce, and inefffcient for exposing rare safety-critical scenarios. Conventional simulation improves repeatability, but an offfine simulator alone cannot continuously connect physical trafffc states, virtual reconstruction, algorithm evaluation, and scenario evolution. This paper proposes a risk-ffeld enhanced closed-loop digital twin framework for autonomous driving safety validation. The framework integrates physical data acquisition, data synchronization, virtual twin reconstruction, risk-aware scenario generation, autonomous driving algorithm evaluation, and safety analysis. A driving risk ffeld is introduced as a uniffed intermediate representation to describe obstacle, lane-departure, road-boundary, time-to-collision, and comfort-related risks around the ego vehicle. The risk ffeld ranks high-risk scenarios in the digital twin scenario library and provides dense safety guidance for reinforcement learning-based driving policies. A simulation-style evaluation protocol is designed to compare conventional reinforcement learning baselines, risk-penalty baselines, and the proposed risk-ffeld guided method. The study indicates that embedding explicit risk structure into digital twins can make autonomous driving validation more targeted, interpretable, and reusable, while its practical effectiveness remains bounded by model ffdelity, risk calibration, and sim-to-real transfer.
- Abstract（参考訳）: 自律運転システムは、実際の展開前に信頼性の高い安全性検証を必要とする。
しかし、大規模な道路試験は費用がかかり、再現に不適であり、稀な安全クリティカルなシナリオを露呈するのに非効率である。
従来のシミュレーションでは再現性が向上するが、オフフィンガーシミュレータだけでは物理的trafffc状態、仮想再構成、アルゴリズム評価、シナリオ進化を連続的に接続することはできない。
本稿では,自律運転安全性検証のためのリスクFfeld拡張閉ループディジタルツインフレームワークを提案する。
このフレームワークは、物理データ取得、データ同期、仮想双対再構築、リスク認識シナリオ生成、自律運転アルゴリズム評価、安全分析を統合している。
エゴ車両の障害物、車線分割、道路境界、時間対衝突、快適関連リスクを記述した未確認中間表現として運転リスクffeldを導入する。
リスクffeldは、デジタルツインシナリオライブラリの高リスクシナリオをランク付けし、強化学習に基づく運転ポリシーのための厳密な安全ガイダンスを提供する。
シミュレーション型評価プロトコルは,従来の強化学習ベースライン,リスク・ペナルティベースライン,リスク・フェルド誘導手法を比較検討する。
この研究は、明示的なリスク構造をデジタル双生児に組み込むことで、自律運転検証をよりターゲット、解釈可能、再利用可能なものにすることができることを示している。
関連論文リスト
- Data-Driven Risk Fields for Safer End-to-End Autonomous Driving [25.328788313918977]
我々は、より安全な自動運転のためのデータ駆動型リスクフィールドフレームワークDRiFを提案する。
DRiFは、静的マップセグメンテーション、動的リスク予測、車両計画を備えた共有BEV機能を学ぶ。
Bench2Driveの実験では、DRiFは、駆動スコア、成功率、衝突関連メトリクスを一貫して改善して、全体的なパフォーマンスを競争力のあるものにしている。
論文 参考訳（メタデータ） (2026-09-09T16:05:17Z) - Securing Autonomous Vehicle Systems via Twin-Aware Federated Reinforcement Learning [18.401916683479676]
中毒攻撃は、フェデレート強化学習(FRL)システムのセキュリティと信頼性に重大な脅威をもたらす。
algは安全クリティカルな運転シナリオ用に設計されたFRLシステムの堅牢性向上を目的としたフレームワークである。
algは、リハーサルベースの学習のためにデジタルツインを戦略的に統合し、過去の集約モデルパラメータを活用する。
論文 参考訳（メタデータ） (2026-07-09T06:18:52Z) - World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。
World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。
プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文 参考訳（メタデータ） (2026-06-18T06:28:33Z) - 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) - Controllable risk scenario generation from human crash data for autonomous vehicle testing [13.3074428571403]
制御可能なリスクエージェント生成(CRAG)は、支配的な名目的行動と稀な安全クリティカルな行動のモデリングを統合するために設計されたフレームワークである。
CRAGは、正常およびリスク関連挙動を歪め、限られたクラッシュデータの効率的な利用を可能にする構造付き潜在空間を構築する。
論文 参考訳（メタデータ） (2025-11-27T04:53:18Z) - A Digital Twin Framework for Metamorphic Testing of Autonomous Driving Systems Using Generative Model [5.424069096422898]
本稿では,デジタルツイン駆動メタモルフィックテストフレームワークを提案する。
私たちは、自動運転システムとその運用環境の仮想レプリカを作成します。
デジタルツイン技術と、安定拡散のようなAIに基づく画像生成モデルを組み合わせることで、本手法は現実的な運転シーンを体系的に生成することを可能にする。
論文 参考訳（メタデータ） (2025-10-08T15:27:39Z) - RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion [17.46462636610847]
リスク・ドライビング・環境(RADE)は、統計的に現実的でリスク調整可能な交通シーンを生成するシミュレーション・フレームワークである。
RADEはデータから直接リスク条件の行動を学び、コントロール可能なリスクレベルと自然主義的なマルチエージェントインタラクションを保存する。
RADEを実世界のrounDデータセットで検証し、様々なリスクレベルにわたって統計的リアリズムを保存することを示した。
論文 参考訳（メタデータ） (2025-05-06T04:41:20Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。
第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。
我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-26T00:00:27Z) - 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) - Generative AI-empowered Simulation for Autonomous Driving in Vehicular
Mixed Reality Metaverses [130.15554653948897]
車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。
現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。
生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-16T16:54:10Z) - 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。