論文の概要: Teach-to-Crash: A Closed-Loop Student-Teacher LLM Framework for Collision-Inducing Test Scenario Generation

• arxiv url: http://arxiv.org/abs/2609.27296v1
• Date: Wed, 23 Sep 2026 03:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.858134
• Title: Teach-to-Crash: A Closed-Loop Student-Teacher LLM Framework for Collision-Inducing Test Scenario Generation
• Title（参考訳）: Teach-to-Crash: 衝突誘発テストシナリオ生成のための閉ループ学生-Teacher LLMフレームワーク
• Abstract要約: Teach-to-Crashはクローズドループテストフレームワークで、制約付きエゴ中心のシナリオ表現、スタネーション対応検索制御、適応的な障害発見のためのデュアルLLMアーキテクチャを組み合わせたものだ。 PAFOTは最高衝突ヒットレート(90.79%)、最短平均衝突時間(18.31秒)、競争力のある衝突発見レート(136.21秒)を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Validating Autonomous Driving Systems (ADS) in simulation requires testing architectures that can discover rare, safety-critical failures while generating scenarios that are executable, diverse, and useful for downstream failure analysis. We introduce Teach-to-Crash, a closed-loop testing framework that combines a constrained ego-centric scenario representation, stagnation-aware search control, and a dual-LLM architecture for adaptive failure discovery. A high-reasoning Teacher LLM acts as an adaptive search controller, while a low-reasoning Student LLM emits simulator-executable scenarios in a strict JSON schema. The Teacher intervenes only when rolling collision rate and time-to-collision metrics stagnate, providing strategic guidance to redirect the search. In a CARLA case study with two experimental setups that vary the ego vehicle's speed policy, Teach-to-Crash achieves the highest Collision Hit Rate (90.79%), the shortest mean Time-to-Collision (18.31 s), and a competitive Collision Discovery Rate (136.21). PAFOT attains a higher mean CDR (179.44), but with substantially larger variance. Teach-to-Crash also yields the highest diversity (0.547) and, averaged across both setups on the CARLA Traffic Manager controller, the highest avoidability-based usefulness proxy (60.04%) among the compared methods. These results, within the evaluated CARLA scope, provide evidence that closed-loop dual-LLM reasoning can steer adversarial simulation-based testing over a constrained executable program space, generating failures that are frequent, structurally diverse, and assessed as more frequently avoidable.
• Abstract（参考訳）: シミュレーションにおける自律運転システム(ADS)の検証には、稀で安全性に欠ける障害を検出しながら、実行可能で多様性があり、下流の障害解析に有用なシナリオを生成する、テストアーキテクチャが必要である。 我々は,制約付きエゴ中心のシナリオ表現,スタトネーション対応検索制御,適応型故障検出のためのデュアルLLMアーキテクチャを組み合わせたクローズドループテストフレームワークであるTeach-to-Crashを紹介する。 高レベルな教師LLMが適応検索コントローラとして機能し、低レベルな学生LLMが厳密なJSONスキーマでシミュレータ実行可能なシナリオを出力する。 教師は、ローリング衝突率と時間対衝突の指標が停滞している場合にのみ介入し、探索をリダイレクトするための戦略的ガイダンスを提供する。 CARLAのケーススタディでは、エゴ車の速度ポリシーを変える2つの実験的な設定で、Teach-to-Crashは最高衝突ヒットレート(90.79%)、最短平均衝突速度(18.31秒)、競争力のある衝突発見レート(136.21秒)を達成している。 PAFOTは、より平均的なCDR (179.44)に達するが、かなり大きなばらつきを持つ。 Teach-to-Crashは最も多様性が高く(0.547)、CARLA Traffic Managerコントローラの両方の設定で平均化されている。 これらの結果は、CARLAの範囲内では、閉ループ双対LLM推論が、制約された実行可能プログラム空間上での逆シミュレーションベースのテストを操り、頻繁で構造的に多様で、より回避可能なものとして評価できることを示す。

関連論文リスト

• Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles [14.04593970867671]
  CARS(Context-Aware, Responsibility-attributed Scenario generation)は、責任帰属を直接敵シナリオ生成に統合するフレームワークである。 CARSは、規則に規定された注意深い有能なドライバーモデルの下で、高い帰属率を持つ実行可能な衝突シナリオを一貫して発見する。
  論文  参考訳（メタデータ） (2026-05-13T16:33:07Z)
• Dynasto: Validity-Aware Dynamic-Static Parameter Optimization for Autonomous Driving Testing [6.969678532857503]
  自律運転システムにおける安全クリティカルな障害を明らかにするための2段階のテスト手法であるDynastoを提案する。 まず、時間論理に基づく妥当性基準を用いた強化学習を用いて、敵エージェントを訓練する。 第二に、遺伝的アルゴリズムは、敵の失敗を誘発する振る舞いを再生しながら初期条件を探索し、RLエージェントだけでは発見できない追加の失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-03-22T22:35:30Z)
• 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)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Foundation Models for Rapid Autonomy Validation [4.417336418010182]
  重要な課題は、自動運転車が遭遇するあらゆる種類の運転シナリオでテストする必要があることだ。 本研究では,運転シナリオを再構築するための行動基礎モデル,特にマスク付きオートエンコーダ(MAE)の使用を提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:32:43Z)
• Is Parameter Collision Hindering Continual Learning in LLMs? [50.57658782050275]
  大規模言語モデル(LLM)は、複数のタスクを逐次学習する際に破滅的な忘れに悩まされることが多い。 CL問題に対処する上で,非衝突パラメータの構築はより重要な相互依存因子であることを示す。 低衝突速度を利用してLCMのCLを向上する単純なアプローチである非衝突低ランク適応(N-LoRA)を提案する。
  論文  参考訳（メタデータ） (2024-10-14T05:54:11Z)
• Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
  本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。 LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
  論文  参考訳（メタデータ） (2023-02-28T17:51:43Z)

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。