論文の概要: TrafficSignBench: Rule-Centric Closed-Loop Evaluation of Traffic-Sign Compliance in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.38463v1
- Date: Tue, 29 Sep 2026 19:52:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.694155
- Title: TrafficSignBench: Rule-Centric Closed-Loop Evaluation of Traffic-Sign Compliance in Autonomous Driving
- Title（参考訳）: TrafficSignBench: 自動運転における交通信号コンプライアンスのルール中心閉ループ評価
- Abstract要約: 本稿では,自動運転におけるトラヒックルールコンプライアンス評価のための大規模ベンチマークであるTrafficSignBenchを紹介する。
本フレームワークは,現実的な道路レイアウトのための実地図に基づくシミュレーションと,ルール対象の手続きシナリオ生成を併用する。
我々は5,800のテストシーンを構築し、現在の自動運転プランナーが交通ルールの遵守に乏しいことを実証した。
- 参考スコア（独自算出の注目度）: 3.521735747404892
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous driving planners are typically evaluated using aggregate metrics such as driving score, destination rate, and collision rate, which do not explicitly measure compliance with traffic rules. As a result, planners can achieve high benchmark scores while still exhibiting unsafe or illegal behaviors, limiting their applicability to real-world deployment. To address this gap, we introduce TrafficSignBench, a large-scale, traffic sign-centric benchmark for systematic and interpretable evaluation of traffic-rule compliance in autonomous driving. Our framework combines real-map-based simulation for realistic road layouts with rule-targeted procedural scenario generation for scalable and balanced coverage of underrepresented rules. We implement traffic rules corresponding to 34 traffic signs, each equipped with an automatic rule checker for detecting violations during closed-loop execution. This design yields 29,000 diverse road scenes and 29 distinct testing scenario types, enabling controlled evaluation of rule-specific planner behavior. We construct 5,800 testing scenes and demonstrate that current autonomous driving planners can exhibit poor traffic-rule compliance despite strong performance on standard evaluation metrics. To address this limitation, we transform existing planners into rule-compliant trajectory experts via explicit traffic-sign constraints, enabling scalable generation of high-quality oracle trajectories for fine-tuning.
- Abstract（参考訳）: 自律運転プランナーは通常、運転スコア、目的地レート、衝突率といった、交通規則への準拠を明示的に測定しない集計指標を使用して評価される。
その結果、プランナーは安全でない、あるいは違法な振る舞いを示しながら高いベンチマークスコアを達成でき、現実のデプロイメントへの適用性を制限することができる。
このギャップに対処するために、自動運転における交通ルールコンプライアンスの体系的かつ解釈可能な評価のための大規模かつ交通標識中心のベンチマークであるTrafficSignBenchを導入する。
本フレームワークは,現実的な道路レイアウトのための実地図に基づくシミュレーションと,未表現ルールのスケーラブルかつバランスの取れたカバレッジを実現するためのルールターゲットプロシージャシナリオ生成を併用する。
我々は34の交通標識に対応する交通ルールを実装し、それぞれがクローズドループ実行時に違反を検出する自動ルールチェッカーを備えている。
この設計により、29,000の多様な道路シーンと29の異なるテストシナリオが得られ、ルール固有のプランナーの振る舞いを制御できる。
我々は5,800のテストシーンを構築し、現在の自律運転プランナーが標準的な評価基準の強い性能にもかかわらず、交通ルールの遵守が不十分であることを実証した。
この制限に対処するため、我々は既存のプランナーを明示的な交通信号制約によってルールに準拠した軌道の専門家に転換し、微調整のための高品質なオラクル軌道のスケーラブルな生成を可能にした。
関連論文リスト
- 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) - DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models [53.73898294218455]
DriveJudgeは、ルール付き評価とVision-Language Model (VLM)推論を組み合わせた運転評価エージェントである。
運転品質分類と軌道選択という2つのベンチマークタスクを導入する。
DriveJudgeは、21.23 AUCによる運転品質分類と、最近のVLMベースのDriveCriticによる軌道優先選択では6.5%の成績を示した。
論文 参考訳（メタデータ） (2026-06-15T23:39:36Z) - Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。
本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。
実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
論文 参考訳（メタデータ） (2026-03-26T17:26:41Z) - SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification [1.6386429281694148]
本稿では,実際の交通映像から解釈可能な行動ルールを自動的に検出し,検証し,適用するフレームワークであるSVBRD-LLMを提案する。
このフレームワークは、YOLOv8とByteTrackを使用して車両軌跡を抽出し、キネマティックな特徴を計算し、GPT-5ゼロショットプロンプトを使用して自律車と人力車を比較している。
1500時間以上の実際の交通ビデオの実験では、このフレームワークは90.0%の精度と93.3%のF1スコアを達成した。
論文 参考訳（メタデータ） (2025-11-18T23:45:30Z) - Predictive Traffic Rule Compliance using Reinforcement Learning [7.280087547993983]
本稿では,交通ルール違反の可能性を予測するために,モーションプランナと深層強化学習モデルを統合するアプローチを提案する。
我々の主な革新は、アクター・クリティカルな方法で標準的なアクター・ネットワークをモーション・プランニング・モジュールに置き換えることです。
オープンなドイツの高速道路データセットの実験では、計画の地平線を超えた交通ルール違反を予測し、防止することができる。
論文 参考訳（メタデータ） (2025-03-29T01:04:08Z) - Driving by the Rules: A Benchmark for Integrating Traffic Sign Regulations into Vectorized HD Map [15.57801519192153]
交通標識から運転規則を抽出するためのデータセットであるMapDRを紹介する。
MapDRには1万ドル以上の注釈付きビデオクリップがあり、交通標識規則と車線との複雑な相関関係を捉えている。
交通標識規則の統合において重要なギャップを埋め、信頼性の高い自動運転システムの開発に寄与する。
論文 参考訳（メタデータ） (2024-10-31T09:53:21Z) - Traffic Scenario Logic: A Spatial-Temporal Logic for Modeling and Reasoning of Urban Traffic Scenarios [6.671075180562082]
交通シナリオ論理(Traffic Scenario Logic、TSL)は、都市における歩行者自由交通シナリオのモデル化と推論のために設計された時空間論理である。
TSLは、都市道路網の形式的な表現を提供し、これはOpenDRIVE、すなわち、自動運転のための高解像度地図のデファクト業界標準から導出することができる。
論文 参考訳（メタデータ） (2024-05-22T15:06:50Z) - DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。
センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。
我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文 参考訳（メタデータ） (2024-03-25T17:59:01Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳（メタデータ） (2021-04-28T07:54:40Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳（メタデータ） (2020-11-21T09:43:50Z)
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。