論文の概要: CrashDiffuser: VLM-Guided Collision Intent Reasoning for Fine-Grained Safety-Critical Traffic Scenario Generation
- arxiv url: http://arxiv.org/abs/2609.02270v1
- Date: Wed, 02 Sep 2026 08:18:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.147494
- Title: CrashDiffuser: VLM-Guided Collision Intent Reasoning for Fine-Grained Safety-Critical Traffic Scenario Generation
- Title（参考訳）: CrashDiffuser: 微粒化安全臨界交通シナリオ生成のためのVLM誘導衝突インテント推論
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.782911514743306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating safety-critical scenarios is essential for evaluating autonomous driving systems. However, existing generators primarily focus on inducing collisions and offer limited control over where contact occurs on the target vehicle. In this paper, we study fine-grained safety-critical scenario generation, where success requires both a target collision and a specified head, rear, or side contact region. We propose CrashDiffuser, a closed-loop VLM-guided diffusion framework that decouples semantic collision reasoning from continuous trajectory synthesis through a hierarchical collision-intent interface derived from the requested target contact region. At initialization, the VLM extracts reusable scene-level context; at each replanning step, it predicts a structured action tuple describing speed change, turning behavior, and collision stage. This intent conditions a diffusion model to generate executable adversarial trajectories, while collision-guided sampling, candidate selection, and short-horizon replanning adapt generation to the target vehicle's evolving behavior. On WOMD-derived closed-loop scenarios, CrashDiffuser achieves a target-collision rate of 50.33% in a single attempt and 67.98% after three attempts, together with a contact-region control success rate of 40.05% and competitive trajectory naturalness. Component ablations further support the proposed design.
- Abstract（参考訳）: 自律運転システムを評価するためには、安全クリティカルなシナリオの生成が不可欠である。
しかし、既存の発電機は主に衝突の誘導に重点を置いており、目標車両の接触箇所を限定的に制御している。
本稿では, 目標衝突と特定の頭部, 後頭部, 側面接触領域の両方を成功させる, きめ細かな安全クリティカルシナリオ生成について検討する。
提案するCrashDiffuserは,要求された目標接触領域から導出される階層的衝突入射インタフェースを通じて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。
初期化時に、VLMは再利用可能なシーンレベルのコンテキストを抽出し、各再計画ステップでは、速度変化、回転挙動、衝突ステージを記述する構造化されたアクションタプルを予測する。
この意図は、衝突誘導サンプリング、候補選択、短期水平再計画アダプティブ生成を目標車両の進化挙動に適応させながら、実行可能な対向軌道を生成する拡散モデルを条件とする。
WOMDから派生した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%、接触領域制御の成功率40.05%、競合軌道自然度とともに目標衝突率50.33%を達成する。
コンポーネントの短縮は、提案された設計をさらにサポートする。
関連論文リスト
- Collision Snapshot Guided Time-Reversed Safety-Critical Scenario Generation [2.7044962986457945]
アンダーライン・アンダーライン・アンダーライン アンダーライン・アンダーライン・リバース・セーフティ・クリティカル・シナリオ・ジェネレーション (COSTER) について紹介する。
COSTERは、学習前のトラフィックを活用して、妥当な衝突時間と位置を決定するフレームワークである。
実験の結果、COSTERは既存の手法よりも可視性、多様性、データ効率が優れていることがわかった。
論文 参考訳（メタデータ） (2026-09-06T07:18:07Z) - 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) - CCFM: Collision-Constrained Flow Matching for Safety-Critical Scenario Generation [12.01753684349527]
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。
論文 参考訳（メタデータ） (2026-07-05T18:26:14Z) - 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) - KG-ASG: Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation With Primary-Support Attribution [11.204233852756808]
KG-ASGは、一次支援属性を持つ衝突学習型クローズドループシナリオ生成フレームワークである。
MetaDrive で再構成された WOMD シナリオの実験により,KG-ASG が強い対角効果を発揮することが示された。
論文 参考訳（メタデータ） (2026-05-17T09:04:48Z) - Map-Agnostic And Interactive Safety-Critical Scenario Generation via Multi-Objective Tree Search [7.691544372846608]
本稿では,モンテカルロ木探索による交通流レベルの安全クリティカルシナリオ生成のための新しいフレームワークを提案する。
探索効率とリスク逆決定のバランスをとるために, ハイブリッドな上信頼境界 (UCB) と下信頼境界 (LCB) 探索戦略を導入する。
香港の複雑な都市環境における4つの高リスク事故帯にまたがるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-04T12:19:02Z) - 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) - 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) - 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) - ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。
我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。
次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文 参考訳（メタデータ） (2025-06-09T03:14:04Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z)
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。