論文の概要: How corner is a corner case? Percentile control for highway scenario generation

• arxiv url: http://arxiv.org/abs/2610.05003v1
• Date: Sun, 04 Oct 2026 06:52:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:09:09.688029
• Title: How corner is a corner case? Percentile control for highway scenario generation
• Title（参考訳）: コーナーケースはどの角か? 高速道路シナリオ生成のためのパーセンタイル制御
• Abstract要約: 本研究は、将来のリスクの条件分布におけるパーセンタイルとして生成されたシナリオの逆性を示す。 この見解は、生成されたコーナーケースシナリオがいかに"コーン"であるか、その"コーンネス"を微調整できるかという2つの質問に対するキャリブレーションされた回答をサポートする。
• 参考スコア（独自算出の注目度）: 26.44021339337235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating corner-case scenarios with appropriate adversity in a simulation environment is critical for testing an autonomous vehicle (AV) software stack's safety performance before deployment. Existing autonomous-driving scenario generators can enforce specific behavior, adversity, or feasibility conditions, but they provide limited control over how extreme a generated scenario is relative to plausible futures in the same traffic context. This study represents the adversity of a generated scenario as its percentile in the conditional distribution of future risk given the observed history. This view supports calibrated answers to two questions: how "corner" a generated corner-case scenario is and how its "cornerness" can be fine-tuned. To this end, we formulate history-conditioned risk-percentile requests and learn a reference risk distribution that maps each requested percentile to a physical risk target. We then use a percentile-conditioned joint diffusion model with sampling-time risk guidance to generate multi-agent futures, together with a reference-based criterion for evaluating percentile realization. Experiments use the minimum post-encroachment time (PET) between the ego and its surrounding vehicles as the risk surrogate on highD. On the primary evaluation set, our method realizes 1,422 of 1,440 requests within a 0.05 percentile tolerance (98.75%), with mean percentile error 0.00673 and PET-target error 0.00991 seconds. The resulting interface connects context-relative risk specification, physical realization, and evaluation through a common risk scale. Project website and videos of generated scenarios are available at https://hhj233.github.io/CornerPercentile/.
• Abstract（参考訳）: シミュレーション環境で適切な逆さでコーナーケースシナリオを生成することは、デプロイ前に自動運転車(AV)ソフトウェアスタックの安全性能をテストする上で重要である。 既存の自律走行シナリオジェネレータは、特定の振る舞い、逆境、実行可能性条件を強制することができるが、同じトラフィックコンテキストにおいて、生成されたシナリオが妥当な未来に対してどれほど極端なものかを限定的に制御できる。 本研究は, 発生シナリオの逆さを, 観測履歴から将来のリスクの条件分布のパーセンタイルとして表現する。 この見解は、生成されたコーナーケースシナリオがいかに"コーン"であるか、その"コーンネス"を微調整できるかという2つの質問に対するキャリブレーションされた回答をサポートする。 この目的のために、履歴条件付きリスクパーセンタイル要求を定式化し、要求された各パーセンタイルを物理的リスクターゲットにマッピングする参照リスク分布を学習する。 次に、サンプリング時間リスクガイダンスを用いたパーセンタイル条件付き共同拡散モデルを用いて、マルチエージェント未来を生成するとともに、パーセンタイル実現を評価する基準ベースの基準を用いる。 実験では、エゴと周囲の車両の間の最小侵食時間(PET)をハイD上のリスク代理として使用する。 本手法は, 平均パーセンタイル誤差0.00673, PETターゲット誤差0.00991秒で1,440件の要求を1,422件, 0.05パーセンタイル耐性98.75%, 平均パーセンタイル誤差0.00673, PETターゲット誤差0.00991秒で処理する。 結果として生じるインターフェースは、コンテキスト相対的リスク仕様、物理的実現、および共通のリスクスケールによる評価を結合する。 生成されたシナリオのWebサイトとビデオはhttps://hhj233.github.io/CornerPercentile/.comで公開されている。

関連論文リスト

• MemRiskBench: Trace-Aware Risk-Preserving Evaluation for Long-Horizon LLM Agents [5.605743575854166]
  MemRiskBenchは、完全なトレースログを持ち、パス/フェイルパスにLLM-as-judgeを含まない120文字のスクリプトベンチマークである。 リスク保存サブセットセレクタは、トレーサグラウンド決定性特徴を用いたリスクタイプカバレッジとハイリスク検出を保持する。 すべてのエピソード、トレース、スコアリング実装、セレクタがリリースされ、再現可能な評価と、デプロイされたLDMエージェントのリスク評価をサポートする。
  論文  参考訳（メタデータ） (2026-09-14T03:31:19Z)
• PaSBench-Video: A Streaming Video Benchmark for Proactive Safety Warning [54.70033525672316]
  ビデオ対応の大型言語モデル(MLLM)は、このウィンドウ内で警告を発する常時オンの安全モニタとして機能する。 今回紹介するPaSBench-Videoは、481のリスクと4つのドメインにわたる259のリスクビデオを備えた740のビデオベンチマークだ。 最も厳密な基準ではモデルが20.0%を超えることはなく、リコールは偽陽性率と強く結びついている。
  論文  参考訳（メタデータ） (2026-06-01T16:14:01Z)
• Statistical Estimation of Adversarial Risk in Large Language Models under Best-of-N Sampling [50.872910438715486]
  大規模言語モデル(LLM)は、通常、単一ショットまたは低予算の逆のプロンプトの下で安全性を評価する。 我々は,Best-of-Nサンプリングの下でのジェイルブレイク脆弱性をモデル化するための,スケーリング対応のリスク推定手法であるSABERを提案する。
  論文  参考訳（メタデータ） (2026-01-30T06:54:35Z)
• Risk Estimation for Automated Driving [0.9376581451563295]
  自動運転では、リスクは2つの側面によって特徴づけられる。 不確実性は一般的に、衝突に近い事象の危険をゼロにする。 既存のアプローチでは、経験的モデリングや厳密な近似に頼ってリスクを計算する。 本稿では,衝突確率推定の最近の進歩と衝突重大度の概念を組み合わせて,正確なリスク推定のための一般的な手法を開発する。
  論文  参考訳（メタデータ） (2026-01-21T14:14:50Z)
• Can a Bayesian Oracle Prevent Harm from an Agent? [48.12936383352277]
  我々は、所定の安全仕様に違反する確率に基づいて、文脈依存境界を推定することを検討する。 世界の異なる仮説が全く異なる結果をもたらす可能性があることに注意し、我々は真だが未知の仮説の下で予測される安全違反の確率に基づいて導かれる。 我々は、この結果の2つの形態、すなわち、i.d.の場合と非i.d.の場合を考察し、そのような理論結果を実用的なAIガードレールに変換するためのオープンな問題で結論付ける。
  論文  参考訳（メタデータ） (2024-08-09T18:10:42Z)
• Realistic Safety-critical Scenarios Search for Autonomous Driving System via Behavior Tree [8.286351881735191]
  本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。 提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
  論文  参考訳（メタデータ） (2023-05-11T06:53:03Z)
• Mathematical Models of Human Drivers Using Artificial Risk Fields [8.074019565026544]
  我々は、人間の運転者が今後の道路状況に応じてどのように車両を制御するかを予測するために、人工リスクフィールドの概念を用いる。 リスクフィールドは、最大20秒の予測地平線において、高い予測精度で将来の軌道を予測するのに優れている。
  論文  参考訳（メタデータ） (2022-05-24T15:39:01Z)
• Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures [19.247932561037487]
  本稿では,自動運転車の軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 我々は不確実な位置のモーメントの正確な時間進化を管理する決定論的線形力学系を構築する。
  論文  参考訳（メタデータ） (2021-09-21T05:55:39Z)
• 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。