論文の概要: End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation
- arxiv url: http://arxiv.org/abs/2607.18637v1
- Date: Tue, 21 Jul 2026 02:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.292727
- Title: End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation
- Title（参考訳）: 現実的で制御可能な視覚的交通シナリオ生成のためのエンド・ツー・エンド条件拡散
- Abstract要約: E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
- 参考スコア（独自算出の注目度）: 59.188006170485046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating closed-loop traffic scenarios that are both realistic and controllable is crucial for evaluating autonomous driving systems, especially under rare safety-critical interactions. Existing learning-based methods often struggle to balance controllability and realism, offering either limited fine-grained control over traffic behavior or controllable scenarios at the expense of behavioral plausibility. This paper presents E2E-CDiff, an end-to-end conditional diffusion framework for controllable and realistic scenario generation. Conditioned on front-view visual observations, E2E-CDiff jointly denoises future motion states and executable low-level controls for route-interacting background vehicles. This unified state-action generation mitigates the planning-control mismatch in conventional two-stage trajectory-then-controller pipelines. Differentiable guidance further regulates speed, enforces drivable-area compliance, and supports collision-avoidance or collision-seeking behaviors, enabling both naturalistic and safety-critical scenario generation. Experiments on Bench2Drive show that E2E-CDiff achieves a favorable controllability-realism trade-off compared with representative reinforcement- and imitation-learning baselines, while its collision-guided variant induces challenging interactions across multiple autonomous driving systems. E2E-CDiff also performs competitively as a learning-based ego planner, demonstrating the generality of end-to-end state-action diffusion.
- Abstract（参考訳）: 現実的かつ制御可能なクローズドループトラフィックシナリオの生成は、特に稀な安全クリティカルな相互作用の下で、自律運転システムを評価する上で不可欠である。
既存の学習ベースの手法は、しばしば制御可能性とリアリズムのバランスをとるのに苦労し、交通行動のきめ細かな制御や、行動の妥当性を犠牲にして制御可能なシナリオを提供する。
本稿では、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークであるE2E-CDiffを提案する。
E2E-CDiffは、前方視視界観測に基づいて、将来の動き状態と経路干渉型背景車両の実行可能な低レベル制御を共同で認知する。
この統合された状態-動作生成は、従来の2段階のトラジェクトリ-then-コントローラパイプラインにおける計画-制御ミスマッチを緩和する。
微分可能なガイダンスはさらに速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避または衝突回避行動をサポートし、自然主義的および安全クリティカルなシナリオの生成を可能にする。
Bench2Driveの実験では、E2E-CDiffは、代表的強化および模倣学習ベースラインと比較して、制御可能性と現実性とのトレードオフを良好に達成し、衝突誘導型は、複数の自律運転システム間での挑戦的な相互作用を誘導している。
E2E-CDiffはまた、学習ベースのエゴプランナーとして競争力を発揮し、エンドツーエンドの状態-動作拡散の一般化を実証している。
関連論文リスト
- One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation [4.570068778162319]
本研究では,1つの事前学習拡散交通モデルが,自律走行開発ループにおいて2つの補完的な役割を果たすことを示す。
計画面では,単一ストリームデュアルストリーム(SSDS)拡散変換器デコーダを導入する。
我々は,制御可能なシナリオジェネレータと同じ拡散モデルを用いて,クローズドループ評価のためのリアルなロングテール駆動インタラクションを生成する。
論文 参考訳（メタデータ） (2026-09-04T09:22:54Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - AnchorDrive: LLM Scenario Rollout with Anchor-Guided Diffusion Regeneration for Safety-Critical Scenario Generation [5.21417478446202]
AnchorDriveは、2段階の安全クリティカルシナリオ生成フレームワークである。
制御可能で現実的な安全クリティカルなシナリオを生成する。
批判性、リアリズム、制御性において、全体的なパフォーマンスに優れています。
論文 参考訳（メタデータ） (2026-03-03T02:58:14Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - Control-ITRA: Controlling the Behavior of a Driving Model [14.31198056147624]
エージェントの動作に影響を与える制御ITRAと呼ばれる手法を,ウェイポイントの割り当てと目標速度の変調によって導入する。
本手法は, 可制御性, 無屈折性トラジェクトリを生成できると同時に, 視界と見えない位置の両方でリアリズムを保ち得ることを示す。
論文 参考訳（メタデータ） (2025-01-17T03:35:11Z) - 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) - Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。
データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。
本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
論文 参考訳（メタデータ） (2022-10-31T14:44:59Z) - Isolating and Leveraging Controllable and Noncontrollable Visual
Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。
まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。
第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文 参考訳（メタデータ） (2022-05-27T08:07:39Z)
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。