論文の概要: Human Behavior-Informed Crash Scenario Generation with Real-World Crash Priors for Autonomous Vehicle Safety Evaluation
- arxiv url: http://arxiv.org/abs/2610.04366v1
- Date: Sat, 03 Oct 2026 08:04:39 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 20:34:00.115759
- Title: Human Behavior-Informed Crash Scenario Generation with Real-World Crash Priors for Autonomous Vehicle Safety Evaluation
- Title（参考訳）: 自律走行車安全性評価のための実世界の衝突先行を考慮した人間行動インフォームドクラッシュシナリオ生成
- Abstract要約: CrashSimは人間の行動インフォームによるクラッシュシナリオ生成フレームワークである。
これらの先行は、衝突前に実際のクラッシュがどのように進化し、どのように異なるクラッシュタイプが分散されるかをキャプチャする。
CrashSimは、実世界の衝突前挙動、衝突ダイナミクス、衝突幾何学、衝突型分布をより密に再現する。
- 参考スコア（独自算出の注目度）: 8.59772036858895
- License:
- Abstract: Reliable safety evaluation of autonomous vehicles (AVs) is essential to improving road safety, yet it depends critically on realistic simulation of rare crashes. Existing crash scenario generation methods can increase collision occurrence, but often fail to realistically reproduce how crashes evolve before impact or the distribution of crash types observed in the real world. Here, we present CrashSim, a human behavior-informed crash scenario generation framework that uses real-world crash priors to guide generative multi-agent traffic simulation for more reliable AV safety evaluation. These priors capture how real-world crashes evolve before impact and how different crash types are distributed, allowing limited crash data to guide realistic and scalable scenario generation across naturalistic driving contexts. We evaluate CrashSim against competing methods, showing that it more closely reproduces real-world pre-impact behavior, collision dynamics, collision geometry and crash-type distributions. We further use CrashSim to construct nuCrash dataset, containing over 4,000 crash and near-crash scenarios. Closed-loop evaluation of five AV planners shows that nuCrash more effectively exposes differences in planner safety capabilities than nuScenes. An LLM-assisted evaluation agent further analyzes planner failures to provide capability-level diagnoses and targeted improvement guidance. Together, CrashSim enables realistic and scalable crash generation for more informative AV safety evaluation.
- Abstract（参考訳）: 自動運転車(AV)の信頼性の高い安全性評価は、道路の安全性向上に不可欠であるが、これは稀な事故の現実的なシミュレーションに大きく依存する。
既存の衝突シナリオ生成手法は衝突の発生を増大させるが、現実的に衝突の進行を再現できない場合が多い。
本稿では,人間の行動インフォームドクラッシュシナリオ生成フレームワークであるCrashSimについて紹介する。
これらのプリエントは、衝突前に現実世界のクラッシュがどのように進化し、異なるクラッシュタイプが分散するかをキャプチャし、限定的なクラッシュデータによって、自然主義的な運転コンテキストを越えて現実的でスケーラブルなシナリオ生成を導くことができる。
我々はCrashSimを競合する手法に対して評価し、実世界の衝突前挙動、衝突ダイナミクス、衝突幾何学、衝突型分布をより密に再現することを示した。
さらにCrashSimを使ってnuCrashデータセットを構築しています。
5つのAVプランナのクローズループ評価は、nuCrashがnuScenesよりもプランナの安全性の差異をより効果的に表していることを示している。
LLM支援評価エージェントは、さらにプランナー故障を分析し、能力レベル診断と目標改善ガイダンスを提供する。
CrashSimは、現実的でスケーラブルなクラッシュ生成を可能にし、より有益なAV安全性評価を可能にする。
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) - Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling [0.0]
本研究は,バイナリクラッシュ分類器を0-100連続安全性スコアに変換するフレームワークであるSafeDriver-IQを紹介する。
15の相補的な分析結果から,高リスク運転条件と低リスク運転条件を確実に区別できることが示唆された。
発見によると、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加する。
論文 参考訳（メタデータ） (2026-03-16T05:37:12Z) - From Narratives to Probabilistic Reasoning: Predicting and Interpreting Drivers' Hazardous Actions in Crashes Using Large Language Model [3.3457493284891338]
2車線の事故は、道路事故の約70%を占める。
Driver Hazardous Action (DHA)データは、一貫性のない、労働集約的な手動コーディングプラクティスによって制限される。
本稿では,微調整された大規模言語モデルを利用して,テキストによるクラッシュ物語からDHAを自動的に推測する,革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-14T21:35:47Z) - Simulating the Unseen: Crash Prediction Must Learn from What Did Not Happen [41.21764593956842]
交通安全科学は長年、基本的なデータパラドックスによって妨げられてきた。
既存のクラッシュ頻度モデルとサロゲート安全指標は、スパース、ノイズ、報告されていない記録に大きく依存している。
ビジョンゼロを達成するためには、従来のクラッシュのみの学習から、新しい形の対実的安全学習へのパラダイムシフトが必要である、と我々は主張する。
論文 参考訳（メタデータ） (2025-05-27T20:33:07Z) - CrashAgent: Crash Scenario Generation via Multi-modal Reasoning [34.42773413989066]
CrashAgentは,マルチモーダルな実世界の交通事故レポートを解釈するフレームワークである。
生成した衝突シナリオを,レイアウト再構成の精度,衝突速度,多様性など,複数の観点から評価した。
結果、高品質で大規模なクラッシュデータセットが公開され、安全な運転アルゴリズムの開発がサポートされる。
論文 参考訳（メタデータ） (2025-05-23T19:55:32Z) - Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。
飲酒運転が深刻な事故の要因となっている。
TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
論文 参考訳（メタデータ） (2025-05-18T21:02:30Z) - NsBM-GAT: A Non-stationary Block Maximum and Graph Attention Framework for General Traffic Crash Risk Prediction [11.444259609536164]
既存の衝突リスク予測モデルは、研究者が危険とみなす仮説上のシナリオに依存している。
ダッシュカムビデオは、個々の車のクレーシュ前動作を撮影するが、周囲の車両の動きに関する重要な情報を欠いていることが多い。
本研究では,車両とその周辺車両間の対話的挙動を捉えるために,新しい非定常極値理論(EVT)を提案する。
論文 参考訳（メタデータ） (2025-03-06T02:12:40Z) - 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) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - 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。