論文の概要: Controllable and Photorealistic Pedestrian Risky Motion Generation for End-to-End Driving Safety Evaluation

• arxiv url: http://arxiv.org/abs/2610.06171v1
• Date: Mon, 05 Oct 2026 11:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:12:40.394531
• Title: Controllable and Photorealistic Pedestrian Risky Motion Generation for End-to-End Driving Safety Evaluation
• Title（参考訳）: エンド・ツー・エンド運転安全評価のための制御可能・光現実的歩行者危険運動生成
• Abstract要約: 軌道レベルのコンフリクト合成と3次元ガウススプラッティング(3DGS)を組み合わせることで、動き制御可能な安全クリティカルシナリオを生成する新しいフレームワークであるControlPedを提案する。 10,352のトラヒックビデオから得られたデータセットは、422のコンフリクト軌跡、HDマップ、そして857の注釈付き3Dモーションからなる。 88のフォトリアリスティックシナリオにおける安全性評価は、7つの主要なエンドツーエンド駆動モデルが深刻な性能低下を被っていることを示している。
• 参考スコア（独自算出の注目度）: 45.478617042509875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating end-to-end autonomous driving under rare, safety-critical vehicle-pedestrian interactions requires photorealistic, sensor-level scenarios. However, trajectory-based scenario generators cannot synthesize raw visual observations, whereas video-based approaches lack controllability. To bridge this gap, we present ControlPed, a novel framework that combines trajectory-level conflict synthesis with 3D Gaussian Splatting (3DGS) to generate photorealistic, motion-controllable safety-critical scenarios. Built upon HazardPed, a dataset derived from 10,352 traffic videos comprising 422 conflict trajectories, HD maps, and 857 annotated 3D human motions, ControlPed first generates conflict trajectories, lifts them into 3D human motion sequences via text-conditioned motion diffusion, and finally renders multi-view sensor observations using animatable 3DGS avatars. Safety evaluation in 88 rendered photorealistic scenarios reveals that seven leading end-to-end driving models suffer a severe performance drop, with their mean HDScore plunging from 88.8 to 47.4, exposing major failure modes under dangerous pedestrian behaviors. The dataset and testing benchmarks will be released to facilitate safety assessment of vehicle-pedestrian interactions.
• Abstract（参考訳）: 安全クリティカルな車両と歩行者のインタラクションの下でエンドツーエンドの自動運転を評価するには、フォトリアリスティックでセンサーレベルのシナリオが必要である。 しかし、トラジェクトリベースのシナリオジェネレータは生の視覚的観察を合成できないが、ビデオベースのアプローチは制御性に欠ける。 このギャップを埋めるために、トラジェクティブレベルのコンフリクト合成と3Dガウススプラッティング(3DGS)を組み合わせて、フォトリアリスティックでモーションコントロール可能な安全クリティカルシナリオを生成する新しいフレームワーク、ControlPedを提案する。 HazardPedは、422のコンフリクト軌跡、HDマップ、857のアノテートされた3Dモーションからなる10,352のトラヒックビデオから派生したデータセットで、まずコンフリクト軌跡を生成し、テキスト条件のモーション拡散を通じてそれらを3Dの人間のモーションシーケンスに持ち上げ、最後にアニマタブルな3DGSアバターを使用してマルチビューセンサーの観察を行う。 88点のフォトリアリスティックシナリオによる安全性評価では、7つの主要なエンドツーエンド駆動モデルが88.8点から47.4点のHDScoreで深刻な性能低下を被っており、危険な歩行者行動下での大きな故障モードが露呈している。 データセットとテストベンチマークは、車両と歩行者のインタラクションの安全性評価を容易にするためにリリースされる。

関連論文リスト

• LLM-Guided Transformation of Non-Critical Driving Scenes into Safety-Critical Scenarios Using Augmented Reality [0.8602553195689513]
  本稿では,安全運転シーンを安全クリティカルなシナリオに変換する自動パイプラインを提案する。 このシステムは道路利用者を検知して追跡し、距離、速度、移動方向、TTC(Time-to-Collision)などの安全特徴を抽出する。 提案したパイプラインはnuScenesデータセットで評価され,97.52%の安全性が得られた。
  論文  参考訳（メタデータ） (2026-07-31T15:37:22Z)
• Sliding Mode Control for Safe Trajectory Tracking with Moving Obstacles Avoidance: Experimental Validation on Planar Robots [1.7044368816068716]
  本稿では,ロバストな軌道追跡と移動障害物回避のための統合制御フレームワークを提案する。 提案アーキテクチャは,衝突回避制約を厳格に実施しつつ,外乱の有無の追跡を保証している。 このアプローチの有効性と汎用性は、数値シミュレーションと広範囲な実世界の実験によって検証される。
  論文  参考訳（メタデータ） (2026-04-27T14:20:10Z)
• HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles [63.88996084630768]
  制御可能な運転シーン生成は、現実的でスケーラブルな自律運転シミュレーションに不可欠である。 シーンを編集可能なガウス版とメッシュとして再構築する統合フレームワークであるHorizonForgeを紹介した。 実験により、ガウス・メシュ表現は代替の3次元表現よりもかなり高い忠実性をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-24T20:03:47Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• SpaRC-AD: A Baseline for Radar-Camera Fusion in End-to-End Autonomous Driving [5.343552118560704]
  SpaRC-ADは、計画指向の自律運転のためのクエリベースのエンドツーエンドカメラレーダ融合フレームワークである。 本手法は、複数の自律運転タスクにおいて、最先端のビジョンのみのベースラインよりも強力な改善を実現する。
  論文  参考訳（メタデータ） (2025-08-14T12:02:41Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Challenger: Affordable Adversarial Driving Video Generation [36.949064774296076]
  Challenger(チャレンジャー)は、物理的に可視だがフォトリアリスティックな対向駆動ビデオを生成するフレームワークである。 nuScenesデータセットでテストされているように、Challengeはさまざまなアグレッシブな駆動シナリオを生成する。
  論文  参考訳（メタデータ） (2025-05-21T17:59:55Z)

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。