論文の概要: SIREN-Bench: Behavior-Driven Generation and Evaluation of Emergency-Vehicle Interactions

• arxiv url: http://arxiv.org/abs/2608.24094v1
• Date: Tue, 25 Aug 2026 05:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.823796
• Title: SIREN-Bench: Behavior-Driven Generation and Evaluation of Emergency-Vehicle Interactions
• Title（参考訳）: SIREN-Bench: 行動駆動型生成と緊急車と車両の相互作用評価
• Abstract要約: 行動駆動型SUMO-CARLA共言語プラットフォームである textbfSIREN について述べる。 このプラットフォームをtextbfSIREN-v1 としてインスタンス化し,緊急レベル L1-L3 の7つのパラメータ化インタラクションテンプレートと3つの行動ファミリからなる。 本稿では,3次元物体検出,軌道予測,視覚言語によるリスク理解という3つの代表的な課題を通じてベンチマークを実証する。
• 参考スコア（独自算出の注目度）: 4.523530339704703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency vehicles (EMVs) can reorganize surrounding traffic as civilian vehicles brake, change lanes, or form rescue corridors in response to their passage. Evaluating these safety-critical interactions requires behavior-level control over both EMV privileges and civilian responses, together with consistent sensing and ground truth. Existing datasets and simulation benchmarks do not directly provide this combination. We present \textbf{SIREN}, a behavior-driven SUMO--CARLA co-simulation platform for generating EMV--civilian interactions. SIREN couples SUMO's network-level traffic evolution and behavior logic with CARLA's continuous vehicle control and synchronized onboard sensing; depending on the active behavior, the interaction is controlled by SUMO, CARLA, or jointly. We instantiate the platform as \textbf{SIREN-Bench-v1}, comprising seven parameterized interaction templates across emergency levels L1--L3 and three behavior families, with synchronized sensor observations and simulator-native annotations. We demonstrate the benchmark through three representative tasks: 3D object detection, trajectory prediction, and vision-language risk understanding. Evaluations of nine trajectory predictors, four LiDAR-based detectors, and five vision-language models reveal behavior-dependent failure modes. Traffic-clearance interactions are hardest for detection, privileged intersection traversal is hardest for prediction, and no learned predictor outperforms the constant-velocity reference on average. Vision-language models perform substantially better on normal traffic than on near-miss and collision events. These results demonstrate the value of behavior-centered benchmarking and establish SIREN as an extensible data-generation and evaluation platform for autonomous-driving and transportation safety research.
• Abstract（参考訳）: 救急車(EMV)は、民間車両のブレーキ、車線変更、または救助回廊の形成など、周囲の交通を再編することができる。 これらの安全性とクリティカルな相互作用を評価するには、EMVの特権と民間の反応の両方に対する行動レベルの制御と、一貫性のある知覚と基礎的な真実が必要である。 既存のデータセットとシミュレーションベンチマークは、直接この組み合わせを提供していない。 本稿では,行動駆動型SUMO-CARLA協調シミュレーションプラットフォームであるtextbf{SIREN}について述べる。 SIRENは、SUMOのネットワークレベルのトラフィック進化と行動ロジックとCARLAの連続的な車両制御とを結合し、オンボードセンシングを同期させる。 このプラットフォームを,緊急レベルL1-L3と3つの行動ファミリにまたがる7つのパラメータ化インタラクションテンプレートと,同期センサ観測とシミュレータネイティブアノテーションからなる,‘textbf{SIREN-Bench-v1}’としてインスタンス化する。 本稿では,3次元物体検出,軌道予測,視覚言語によるリスク理解という3つの代表的な課題を通じてベンチマークを実証する。 9つの軌道予測器、4つのLiDARベースの検出器、5つの視覚言語モデルの評価は、動作に依存した障害モードを示す。 トラフィック・クリアランスの相互作用は検出に最も困難であり、特権付き交差点のトラバースは予測に最も困難であり、学習された予測器は平均速度で一定の速度の基準を上回ります。 視覚言語モデルは、近距離衝突や衝突よりも、通常の交通量でかなり優れている。 これらの結果は、行動中心ベンチマークの価値を示し、SIRENを自動運転および交通安全研究のための拡張可能なデータ生成および評価プラットフォームとして確立する。

関連論文リスト

• Knowledge-Data-Dual-Driven Reinforcement Learning for Autonomous Vehicle Control in Mixed Traffic [7.833666254318349]
  混合交通では、自動運転車(AV)の意思決定は3つの相互関連課題に直面している。 第一に、物理学に基づく先駆者は、潜伏した対話的な車両の意図や多様なドライバーの振る舞いを捉えない。 第二に、周囲の車両による急激な操作は非定常性を引き起こし、ロングテールの安全イベントは未調査のままである。 第三に、ハイブリッドアクション空間は、連続車追従と離散車線変更操作の時間スケールが異なるため、統一的なRLトレーニングを不安定にする。
  論文  参考訳（メタデータ） (2026-08-14T02:07:13Z)
• End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
  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。
  論文  参考訳（メタデータ） (2026-07-21T02:13:25Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• 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)
• BATON: A Multimodal Benchmark for Bidirectional Automation Transition Observation in Naturalistic Driving [18.15118596168445]
  既存の運転自動化(DA)システムは、DAにいつ参加するかを決めるために人間のドライバーに依存している。 BATONは127人のドライバーと136.6時間の運転における現実のDA使用量を自然言語で分析するデータセットである。 データセットは、フロントビュービデオ、キャビン内ビデオ、デコードされたCANバス信号、レーダーベースのリード車間相互作用、GPSからのルートコンテキストを同期する。 その結果、フロントビュービデオは運転状態ではなく道路状況を捉え、インキャビンビデオは運転準備を反映するが、外部シーンは反映しないことがわかった。
  論文  参考訳（メタデータ） (2026-04-08T16:29:24Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• Benchmarking Tesla's Traffic Light and Stop Sign Control: Field Dataset and Behavior Insights [13.941873438238673]
  本稿では,TeslaのTraffic Light and Stop Sign Control (TLSSC) のフィールドデータセットと行動解析について述べる。 我々は,TLSSC-TCD相互作用行動(停止,加速,追従)の分類を開発し,フル速度差モデル(FVDM)を校正する。 その結果、停止行動は所望の速度偏差と相対速度の両方に対して強い応答性によって駆動されるが、加速行動はより保守的であることが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-31T05:38:32Z)
• BIDA: A Bi-level Interaction Decision-making Algorithm for Autonomous Vehicles in Dynamic Traffic Scenarios [5.193590097161461]
  対話型モンテカルロ木探索(MCTS)と深部強化学習(DRL)を統合した双方向インタラクション意思決定アルゴリズム(BIDA)を設計する。 具体的には、3種類のDRLアルゴリズムを用いて、インタラクティブMCTSのオンライン推論プロセスをガイドする信頼性の高い価値ネットワークとポリシーネットワークを構築する。 実験により, BIDAは対話型推論を向上し, 計算コストを低減させるだけでなく, 最新のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-19T19:03:40Z)
• Consensus-Aware AV Behavior: Trade-offs Between Safety, Interaction, and Performance in Mixed Urban Traffic [0.0]
  自動走行車(AV)の安全性、相互作用品質、交通性能のコンセンサスを定量化することを目的としている。 Time-to-Collision (TTC), Post-Encroachment Time (PET), deceleration pattern, Headway, string stabilityなど,主要な指標を評価した。 その結果,AV-VRUインタラクションフレームの1.63%が3つの条件をすべて満たしているという,安全性,インタラクション,パフォーマンスに関する完全なコンセンサスは稀であることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T12:59:59Z)
• PRIMEDrive-CoT: A Precognitive Chain-of-Thought Framework for Uncertainty-Aware Object Interaction in Driving Scene Scenario [1.1142444517901016]
  PRIMEDrive-CoTは、駆動シナリオにおけるオブジェクトインタラクションとChain-of-Thought(CoT)推論のための新しい不確実性認識モデルである。 提案手法は,LiDARに基づく3Dオブジェクト検出とマルチビューRGB参照を組み合わせることで,解釈可能で信頼性の高いシーン理解を実現する。
  論文  参考訳（メタデータ） (2025-04-08T11:06:02Z)
• Reinforcement Learning with Latent State Inference for Autonomous On-ramp Merging under Observation Delay [6.0111084468944]
  遅延状態推論・安全制御(L3IS)エージェントを用いたレーンキーピング・レーンチェンジについて紹介する。 L3ISは、周囲の車両の意図や運転スタイルに関する包括的な知識を必要とせずに、オンランプのマージ作業を安全に行うように設計されている。 本稿では,観測遅延を考慮に入れたAL3ISというエージェントを改良し,実環境においてより堅牢な決定を行えるようにした。
  論文  参考訳（メタデータ） (2024-03-18T15:02:46Z)
• 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)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)

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。