論文の概要: LLM-Guided Transformation of Non-Critical Driving Scenes into Safety-Critical Scenarios Using Augmented Reality
- arxiv url: http://arxiv.org/abs/2609.20318v1
- Date: Fri, 31 Jul 2026 15:37:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.674304
- Title: LLM-Guided Transformation of Non-Critical Driving Scenes into Safety-Critical Scenarios Using Augmented Reality
- Title（参考訳）: 拡張現実を用いたLLM誘導による非批判運転シーンの安全批判シナリオへの変換
- Abstract要約: 本稿では,安全運転シーンを安全クリティカルなシナリオに変換する自動パイプラインを提案する。
このシステムは道路利用者を検知して追跡し、距離、速度、移動方向、TTC(Time-to-Collision)などの安全特徴を抽出する。
提案したパイプラインはnuScenesデータセットで評価され,97.52%の安全性が得られた。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Testing Autonomous Driving Systems (ADS) requires realistic safety-critical scenarios, but collecting such data from real-world driving is costly and unsafe. This paper presents an automated pipeline that transforms safe driving scenes into safety-critical scenarios by combining computer vision, Large Language Models (LLMs), and Augmented Reality (AR). The system detects and tracks road users, extracts safety features including distance, velocity, motion direction, and Time-to-Collision (TTC), and assesses scene criticality. Safe scenes are modified by an LLM, which generates realistic collision-inducing objects and behaviors that are integrated into the original scene using AR. The proposed pipeline was evaluated on the nuScenes dataset, achieving 97.52% safety classification accuracy and successfully generating realistic scenarios such as pedestrian crossings, rear overtaking vehicles, and sudden-stop events. The results demonstrate an effective and flexible approach for automated generation of safety-critical scenarios to support the testing and validation of autonomous driving systems.
- Abstract（参考訳）: 自律運転システム(ADS)をテストするには、現実的な安全クリティカルなシナリオが必要です。
本稿では,安全な運転シーンをコンピュータビジョン,LLM(Large Language Models),AR(Augmented Reality)を組み合わせた安全クリティカルなシナリオに変換する自動パイプラインを提案する。
このシステムは道路利用者を検知し追跡し、距離、速度、移動方向、時間対衝突(TTC)などの安全特徴を抽出し、シーンクリティカル性を評価する。
安全なシーンは、ARを使用して元のシーンに統合された現実的な衝突誘導オブジェクトや振る舞いを生成するLLMによって修正される。
提案したパイプラインはnuScenesデータセットで評価され、安全分類精度97.52%に達し、歩行者横断、後部走行車、突然の停止イベントなどの現実的なシナリオをうまく生成した。
その結果,自律運転システムのテストと検証を支援する安全クリティカルシナリオの自動生成に対する,効果的かつ柔軟なアプローチが示された。
関連論文リスト
- 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) - SG-CADVLM: A Context-Aware Decoding Powered Vision Language Model for Safety-Critical Scenario Generation [8.490714399662453]
本稿では、コンテキスト認識デコーディングとマルチモーダルな入力処理を統合し、安全クリティカルなシナリオを生成するフレームワークであるSG-CADVLMを提案する。
このフレームワークは、道路形状と車両軌道の同時生成を可能にしながら、VLM幻覚の問題を緩和する。
論文 参考訳（メタデータ） (2026-01-26T12:53:12Z) - LLM-based Realistic Safety-Critical Driving Video Generation [4.537331974356809]
CARLAシミュレータ内の運転シナリオを自動的に合成するフレームワークを提案する。
このフレームワークはシナリオスクリプティング、トラフィック参加者の効率的なコードベースの制御、現実的な物理力学の実施において柔軟性がある。
本手法により,制御可能なシナリオ生成が可能となり,稀ではあるが重要なエッジケースの作成が容易になる。
論文 参考訳（メタデータ） (2025-07-02T00:45:19Z) - Enhancing Autonomous Driving Safety with Collision Scenario Integration [36.83682052117178]
衝突データから学習するためのトレーニングフレームワークであるSafeFusionを提案する。
SafeFusionは、模倣学習を過度に検討する代わりに、トレーニング中に安全指向のメトリクスを統合して、衝突回避学習を可能にする。
また、多様な高品質なシナリオを生成するスケーラブルなデータ生成パイプラインであるCollisionGenを提案する。
論文 参考訳（メタデータ） (2025-03-05T23:08:43Z) - 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) - Safety-aware Causal Representation for Trustworthy Offline Reinforcement
Learning in Autonomous Driving [33.672722472758636]
オフライン強化学習(RL)アプローチは、オフラインデータセットからのシーケンシャルな意思決定問題に対処する上で、顕著な効果を示す。
一般化可能なエンドツーエンド駆動ポリシの学習を容易にするために,saFety-aware strUctured Scenario representation (Fusion)を導入した。
様々な運転シナリオにおける実証的な証拠は、フュージョンが自律運転エージェントの安全性と一般化性を著しく向上させることを証明している。
論文 参考訳（メタデータ） (2023-10-31T18:21:24Z) - 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) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z) - 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。