論文の概要: Uncertainty-Driven Self-Play for Robust Multi-Agent Driving Policies

• arxiv url: http://arxiv.org/abs/2610.19714v1
• Date: Wed, 14 Oct 2026 07:40:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.006181
• Title: Uncertainty-Driven Self-Play for Robust Multi-Agent Driving Policies
• Title（参考訳）: 頑健なマルチエージェント運転政策のための不確実性駆動型セルフプレイ
• Abstract要約: 本研究では,近隣住民の不確実性を高めるために,エージェントの半数が報酬を受ける不確実性駆動型セルフプレイ方式を提案する。 疫学的不確実性は、政策の信頼性が低く、シナリオ難易度の自動プロキシとして機能することを示す。 我々の多様性駆動型アプローチは、ベースラインよりもLSTM隠蔽状態のカバレッジが高く、よりリッチな振る舞いを示す。
• 参考スコア（独自算出の注目度）: 52.52071620695231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning robust driving policies that generalize beyond their training domain remains a central challenge in motion planning. We propose an uncertainty-driven self-play scheme, in which half of the agents are rewarded for increasing their neighbors' epistemic uncertainty, while the other half learn to drive safely as the exploring agents continuously seek out their weaknesses. Epistemic uncertainty indicates where the policy is least confident and serves as an automatic proxy for scenario difficulty. Exploring agents use this signal to seek out hard cases, generating a challenging curriculum without manual scenario design. The resulting policy outperforms standard self-play, achieving best-in-class zero-shot transfer to nuplan Val14 (99.12% vs. 97.97%) and Argoverse 2 (82.39% vs. 78.03%) without fine-tuning, while also improving performance over standard self-play on Waymo. Our diversity-driven approach achieves 85% higher LSTM hidden-state coverage than the baseline, indicating a much richer set of behaviors. Further analysis shows that epistemic uncertainty serves as a calibrated difficulty detector, with highest-uncertain agents exhibiting 14.8 times the combined failure rate across collision, off-road, and DNF, of lowest-uncertain agents, enabling automatic prioritization of challenging scenarios without ground-truth labels.
• Abstract（参考訳）: トレーニング領域を超えて一般化する堅牢な運転ポリシーを学ぶことは、運動計画において依然として中心的な課題である。 筆者らは,半数のエージェントが隣人のてんかん性不確実性を高めることで報われる不確実性駆動型セルフプレイスキームを提案し,残り半分は探索エージェントが常に弱点を追求する中で安全に運転することを学ぶ。 疫学的不確実性は、政策の信頼性が低く、シナリオ難易度の自動プロキシとして機能することを示す。 エージェントの探索は、この信号を使って難しいケースを探し出し、手動のシナリオ設計なしで難しいカリキュラムを生成する。 その結果、この方針は標準的な自己プレイよりも優れており、最高レベルのゼロショット転送をヌプランVal14(99.12%対97.97%)とArgoverse2(82.39%対78.03%)に微調整なしで達成し、Waymoの通常の自己プレイよりもパフォーマンスが向上した。 我々の多様性駆動型アプローチは、ベースラインよりもLSTM隠れ状態のカバレッジが85%高く、よりリッチな振る舞いが示されています。 さらに分析したところ、てんかんの不確実性は校正困難検出器として機能し、最も不確実なエージェントは衝突、オフロード、DNFの14.8倍の障害率を示す。

関連論文リスト

• Self-Aware Active Learning Enables Continual Improvement in Autonomous Driving [12.669051115615176]
  SAGE(Self-Aware Guided Exploring)は、自動運転の訓練後適応のためのアクティブな学習フレームワークである。 好奇心は、脅威に対する介入しきい値を適応的に調整し、エージェントがコンテキスト依存的な方法でリスクを規制できるようにする。 Fearは、パフォーマンスのレグレッションを減らすために、安全指向の制約としてポリシー最適化と評価に統合されている。
  論文  参考訳（メタデータ） (2026-08-30T13:01:32Z)
• On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
  既存の安全アライメント信号は、主に応答レベルまたは政治外である。 FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。 FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• Dynasto: Validity-Aware Dynamic-Static Parameter Optimization for Autonomous Driving Testing [6.969678532857503]
  自律運転システムにおける安全クリティカルな障害を明らかにするための2段階のテスト手法であるDynastoを提案する。 まず、時間論理に基づく妥当性基準を用いた強化学習を用いて、敵エージェントを訓練する。 第二に、遺伝的アルゴリズムは、敵の失敗を誘発する振る舞いを再生しながら初期条件を探索し、RLエージェントだけでは発見できない追加の失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-03-22T22:35:30Z)
• A Benchmark for Evaluating Outcome-Driven Constraint Violations in Autonomous AI Agents [4.851169906977996]
  40の異なるシナリオからなる新しいベンチマークを導入する。 各シナリオはマルチステップアクションを必要とするタスクを示し、エージェントのパフォーマンスは特定のキーパフォーマンス指標(KPI)に結び付けられている。 我々は、結果駆動の制約違反を1.3%から71.4%まで観察し、12モデルのうち9モデルが30%から50%の不正調整率を示した。
  論文  参考訳（メタデータ） (2025-12-23T21:52:53Z)
• DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning [43.284391163049236]
  DriveSuprimは、自動運転車の軌道選択のための選択に基づくパラダイムである。 衝突回避や規則の遵守など、最先端のパフォーマンスを実現する。 様々な運転シナリオにおいて高い軌道品質を維持する。
  論文  参考訳（メタデータ） (2025-06-07T04:39:06Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)

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。