論文の概要: Collision Snapshot Guided Time-Reversed Safety-Critical Scenario Generation
- arxiv url: http://arxiv.org/abs/2609.06433v1
- Date: Sun, 06 Sep 2026 07:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.250107
- Title: Collision Snapshot Guided Time-Reversed Safety-Critical Scenario Generation
- Title（参考訳）: 衝突ショットガイドによる安全批判シナリオ生成
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.7044962986457945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The generation of safety-critical traffic scenarios is essential for training and evaluating autonomous vehicles. Prior approaches typically perturb the trajectories of existing agents in a traffic scenario using simplified adversarial objectives to induce safety-critical interactions, which can limit the plausibility and diversity of the generated scenarios. Although inserting new adversarial vehicles can alleviate this limitation, determining when and where to introduce them in a scenario-specific manner remains challenging. In this work, we introduce \underline{CO}llision \underline{S}napshot guided \underline{T}im\underline{E}-\underline{R}eversed safety-critical scenario generation (COSTER), a framework that leverages learned traffic priors to determine plausible collision times and locations. COSTER first constructs a collision snapshot by inserting a new vehicle in contact with the target vehicle at the identified collision state within a traffic scenario. Starting from this collision snapshot, a conditional variational autoencoder is used to perform a time-reversed rollout, reconstructing the trajectory of the inserted vehicle backward toward earlier timesteps. Experiments show that COSTER outperforms existing methods in plausibility, diversity, and data efficiency. Moreover, agents trained on COSTER-generated scenarios reduce collision rates by 31\% on safety-critical scenarios from the Waymo Open Motion Dataset while also improving ego task completion. The project website is available at https://anonym-121.github.io/COSTER/.
- Abstract（参考訳）: 安全クリティカルな交通シナリオの生成は、自動運転車の訓練と評価に不可欠である。
従来のアプローチは、交通シナリオにおいて既存のエージェントの軌道を混乱させ、単純な敵の目的を用いて安全クリティカルな相互作用を誘導し、生成されたシナリオの妥当性と多様性を制限する。
新たな敵車両を投入することは、この制限を緩和することができるが、いつ、どこでシナリオ固有の方法で導入するかは、依然として困難なままである。
本研究では, 学習前のトラフィックを利用して, 衝突時刻や位置を推定するフレームワークである, 安全クリティカルシナリオ生成(COSTER)について紹介する。
COSTERは、まず、交通シナリオ内の特定衝突状態において、ターゲット車両と接触する新しい車両を挿入して衝突スナップショットを構築する。
この衝突スナップショットから、条件付き変分オートエンコーダを用いて、時間反転のロールアウトを行い、挿入された車両の軌道を早期のタイムステップに向けて後方に再構成する。
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。
さらに、COSTER生成シナリオでトレーニングされたエージェントは、Waymo Open Motion Datasetから安全クリティカルなシナリオの衝突率を31倍に削減し、エゴタスクの完了も改善した。
プロジェクトのWebサイトはhttps://anonym-121.github.io/COSTER/で公開されている。
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) - 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) - 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) - Adversarial Generation and Collaborative Evolution of Safety-Critical Scenarios for Autonomous Vehicles [47.25901323750217]
シミュレーションにおける安全クリティカルシナリオの生成は、社会に道路が配備される以前、自動運転車の安全性評価においてますます重要になっている。
我々は,新たなシナリオを推論し,複雑なトラフィックフローでそれらを増幅することにより,多彩な安全クリティカルシナリオを生成できるフレームワークであるScenGEを提案する。
実世界の車両テストと人間による評価を通じて、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2025-08-20T08:36:57Z) - Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models [39.139025989575686]
本稿では,安全クリティカルな運転シナリオを生成するための大規模言語モデル (LLM) フレームワークについて紹介する。
本モデルでは, 平均最小衝突時間を1.62秒から1.08秒に短縮し, 75%の衝突速度で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） (2025-05-02T03:22:00Z) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - 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) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - 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。