論文の概要: Evaluating Physical Consistency and Plausibility in Generative Scenario Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2610.01581v1
• Date: Thu, 01 Oct 2026 12:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.116735
• Title: Evaluating Physical Consistency and Plausibility in Generative Scenario Models for Autonomous Driving
• Title（参考訳）: 自律運転のための生成シナリオモデルにおける物理的整合性と可塑性の評価
• Abstract要約: 生成AIモデルは、自律運転のシナリオ生成にますます利用されている。 彼らはしばしば、学習した表現に対する限られた透明性と、現実世界の車両力学との整合性を提供します。 この正式な保証の欠如は、安全クリティカルな検証と認証における使用を制限する。 5つの層にまたがるモデルを評価することによって,既存の手法を補完する階層評価プロトコルを導入する。
• 参考スコア（独自算出の注目度）: 1.8810916321241071
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI models are increasingly used for scenario generation in autonomous driving. While they can generate realistic-looking scenarios, they often provide limited transparency into learned representations and consistency with real-world vehicle dynamics. This lack of formal assurance limits their use in safety-critical validation and certification workflows. To address this aspect, we introduce a layered evaluation protocol that complements existing methods by assessing models across five layers. The first four layers inspect internal representations and network layers through kinematic alignment, statistical baseline comparison, latent controllability, and activation analysis. The fifth layer evaluates model outputs against vehicle dynamics constraints such as lateral jerk thresholds. We demonstrate the protocol on a Variational Autoencoder (VAE)-based scenario generator. Although standard output-level metrics and visualizations suggest that the generated scenarios are realistic, our protocol provides deeper insight into the extent to which the model's latent space aligns with kinematic features and whether visually plausible trajectories satisfy vehicle-dynamics constraints. We further apply the protocol to additional generative models, demonstrating its applicability beyond the VAE architecture.
• Abstract（参考訳）: 生成AIモデルは、自律運転のシナリオ生成にますます利用されている。 現実的なシナリオを生成できるが、学習した表現に対する限られた透明性と、現実世界の車両力学との整合性を提供することが多い。 この正式な保証の欠如は、安全クリティカルな検証と認定ワークフローにおける使用を制限する。 そこで本研究では,5層にまたがるモデルを評価することによって,既存手法を補完する階層評価プロトコルを提案する。 最初の4層は、キネマティックアライメント、統計的ベースライン比較、潜在制御性、アクティベーション分析を通じて内部表現とネットワーク層を検査する。 第5層は、側方ジャークしきい値のような車両動力学的制約に対するモデル出力を評価する。 可変オートエンコーダ(VAE)ベースのシナリオジェネレータ上で,このプロトコルを実証する。 標準出力レベルのメトリクスと可視化は、生成されたシナリオが現実的であることを示唆するが、我々のプロトコルは、モデルの潜在空間がキネマティックな特徴とどのように一致しているか、そして視覚的に可視な軌跡が車両力学の制約を満たすかどうかについて深い洞察を提供する。 さらに、このプロトコルを新たな生成モデルに適用し、VAEアーキテクチャを超える適用性を示す。

関連論文リスト

• CARLA-GS: Decoupling Representation, Reasoning, and Physics Simulation for Autonomous Driving Corner-Case Synthesis [3.0621944624163695]
  コーナーケース生成は本質的に、視覚表現、シーン推論、車両軌道生成と制御にまたがる多ケース問題である。 これらの側面をひとつのフレームワークに統合するために,モジュラーコーナーケース合成パイプラインであるCARLA-GSを提案する。 この設計により、統合パイプライン内での高レベルセマンティック推論、低レベル物理実行可能運動、コーナーケース生成が可能となる。
  論文  参考訳（メタデータ） (2026-07-08T16:20:19Z)
• 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)
• InfGen: Scenario Generation as Next Token Group Prediction [49.54222089551598]
  InfGenは、エージェント状態とトラジェクトリを自動回帰的に出力するシナリオ生成フレームワークである。 実験により、InfGenは現実的で多様性があり、適応的な交通行動を生み出すことが示された。
  論文  参考訳（メタデータ） (2025-06-29T16:18:32Z)
• Safety-Critical Traffic Simulation with Guided Latent Diffusion Model [8.011306318131458]
  安全クリティカルな交通シミュレーションは、自動運転システムを評価する上で重要な役割を果たす。 本稿では,物理的に現実的で逆向きなシナリオを生成可能なガイド付き潜時拡散モデル(LDM)を提案する。 我々の研究は、現実的な安全クリティカルなシナリオシミュレーションのための効果的なツールを提供し、自律運転システムのより堅牢な評価の道を開く。
  論文  参考訳（メタデータ） (2025-05-01T13:33:34Z)
• Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
  大規模言語モデル(LLM)は自動運転において有望であることを示している。 本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。 我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-11-25T16:38:17Z)
• GraphSCENE: On-Demand Critical Scenario Generation for Autonomous Vehicles in Simulation [11.896059467313668]
  本研究では,多様なトラフィックシナリオに対応する動的時間的シーングラフをオンデマンドで生成し,ユーザ定義の好みに合わせて作成する手法を提案する。 時間的グラフニューラルネットワーク(GNN)モデルは、実世界の相互作用パターンによって導かれる、エゴ・車両エージェントと静的構造の関係を予測することを学習する。 予測されたシナリオをシミュレーションでレンダリングし、AVエージェントのテスト環境としての有効性をさらに実証する。
  論文  参考訳（メタデータ） (2024-10-17T13:02:06Z)
• 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)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)

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。